用TensorFlow实现简单线性回归

使用TensorFlow 构造一个神经元，简单的线性回归网络。

问题：

现有一组有噪声的样本数据，共2000个，每一个样本 x 有 3 个特征， 对应一个标签 y 值。从数据样本中学习 $y=w\times x+b$ 中的参数

首先我们来生成样本数据，w_real 和 b_real 是控制样本数据的参数的真实值，

• np.random.randn(num, shape): 生成指定数量的随机数，使用默认的高斯分布（mean = 0, stddev = 1)
• np.matmul(a, b): 矩阵乘法，左行（由axis 0 索引）对右列（由axis 1 索引）

x_data = np.random.randn(2000, 4)
w_real = [0.2, 0.3, 0.1, 0.3]
b_real = -0.3
noise = np.random.randn(1, 2000)*0.1
y_data = np.matmul(w_real, x_data.T) + b_real + noise

编写神经网络

下面会用到的 Tensorflow API

• tf.reset_default_graph() : 清除默认图中的内容
• tf.Graph(): 创建一张图
• with g.as_default() : 在with 语句块范围内， 将 g 设置为默认图， as_default() 返回对象是 python ContextManager
• tf.placeholder(dtype, shape, name=None): 在默认图上放置一个 placeholder 节点， 用以接收输入数据
• tf.Variable(init_val, dtype, name=None): 创建变量型Tensor, 每次执行都会创建新的，可用tf.get_variable(name, shape, dtype, initializer)
• tf.reduce_mean(x, name=None) 计算成员平均值，reduce 的意思是输出降维，默认输出是标量（常量）
• tf.transpose(x): 转置， 可以加 perm = [3, 1, 0, 2] 参数控制数轴交换顺序。
• tf.add() : 张量加法
• tf.square(): 张量的平方
• tf.train.GradientDescentOptimizer(lr, name=None) : 在图上构造SGD优化器
• optimizer.minimize(loss_op, name=None): 在图上加入基于loss_op 的优化运算节点
• tf.global_variables_initializer() : 创建全局初始化节点，它会自动收集并信赖所有的Tensor 的初始化节点
• tf.Session(): 创建一个会话
• session.run(fetches, feed_dict=None): 运行 fetches 指定的节点， 自动分析节点的依赖情况并依次运行，fetches 节点的依赖如果有重复，只会运行一次，后续会直接取之前的运算结果，用相同的fetches 多次调用.run() 则会每次重新计算。

官方TensorFlow 文档

全部源代码实现：

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

# 创建数据模拟
x_data = np.random.randn(2000, 4)
w_real = [0.2, 0.3, 0.1, 0.3]
b_real = -0.3
noise = np.random.randn(1, 2000)*0.1
y_data = np.matmul(w_real, x_data.T) + b_real + noise

# 清除默认图中的内容
tf.reset_default_graph()

# 设置步数
NUM_STEP = 10

# 学习率
learning_rate = 0.5

# 创建图
g = tf.Graph()

# 存储wb
wb_sess = []

with g.as_default():
    # x, y_true 占位符
    x = tf.placeholder(tf.float32, name = 'x')
    y_true = tf.placeholder(tf.float32, name = 'y_true')
    
    # w, b 变量
    w = tf.Variable([[0,0,0,0]], dtype = tf.float32, name = 'w')
    b = tf.Variable(0, dtype = tf.float32, name = 'b')
    
    # 预测值 y = w * x + b
    y_pred = tf.add(tf.matmul(w, tf.transpose(x)), b, name = 'y_pred')
    
    # 损失 计算成员平均值
    loss = tf.reduce_mean(tf.square(y_true - y_pred), name = 'loss')
    
    # 优化器,SGD
    optimizer = tf.train.GradientDescentOptimizer(learning_rate, name='SGD')
    train = optimizer.minimize(loss, name = 'train')
   
    # 全局初始化节点
    init = tf.global_variables_initializer()
    
    with tf.Session() as sess:
        sess.run(init)
        
        for step in range(NUM_STEP):
            sess.run(train, {x: x_data, y_true: y_data})
            
            wb_sess.append(sess.run([w, b]))
            
            if (step % 5 == 0):
                print(step + 1, sess.run([w, b]))
                
        print(NUM_STEP, sess.run([w, b]))

总结：
这只会让你了解TensorFlow的一些API 特性，加强使用这些API，简单模型。