TensorFlow基础学习 四（实现简单线性回归）

使用TensorFlow实现简单的线性回归

 

构造前提数据

1.首先随机生成一个训练集并且自己设定一个我们最终要靠近的那条完美的线（在实际训练中是没有的，现在人为设定）：

# create data
# 随机生成一个1*100的向量，并且其中每一个随机值的范围都在[0,1)
x_data = np.random.rand(100).astype(np.float32)
# 这是自己随意设定的一个我们理想中最完美的那条线，我们要做的就是让手里的函数的参数无限接近这条线的参数
y_data = x_data * 0.1 + 0.3

 

构造TensorFlow结构

2.随机初始化一个权重向量和一个偏置向量

# create tensorflow structure start#

# tf.random_uniform(shape,minval=0,maxval=None,dtype=tf.float32,seed=None,name=None)
# random_uniform:均匀分布随机数，范围为[minval,maxval]
Weights = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
# biases给0向量
biases = tf.Variable(tf.zeros([1]))

 

3.用我们初始化的向量构造我们的初始函数（线）

# hypothesis
# 这就是我们初始化的函数（线）（最初的随机的线）
y = Weights * x_data + biases

 

4.设置学习率，使用梯度下降方法

# 损失函数（损失为点的预测值和真实值的差值的平方再取均值）
loss = tf.reduce_mean(tf.square(y - y_data))

# 学习率
optimizer = tf.train.GradientDescentOptimizer(0.5)

# 最小loss损失值
train = optimizer.minimize(loss)

 

Session启动并进行训练

5.初始化，开启Session，并进行两百轮的训练并输出中间的结果和最终我们的目标进行比对

# 初始化
init = tf.global_variables_initializer()

# Session启动变量
sess = tf.Session()
sess.run(init)


# 进行训练（200轮）
for step in range(201):
    sess.run(train)
    # 每20轮输出一次轮数、权重、偏置
    if step % 20 == 0:
        print(step, sess.run(Weights), sess.run(biases))

 

 

运行结果

6.每20轮输出一次轮数、权重、偏置

 

可以看到通过梯度下降我们的函数不断的收敛并且越来越接近我们定义的完美的那条线的权重和偏置值。

训练完毕。

 

全部代码：

import tensorflow as tf
import numpy as np
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

# create data
# 随机生成一个1*100的向量，并且其中每一个随机值的范围都在[0,1)
x_data = np.random.rand(100).astype(np.float32)
# 这是自己随意设定的一个我们理想中最完美的那条线，我们要做的就是让手里的函数的参数无限接近这条线的参数
y_data = x_data * 0.1 + 0.3


# create tensorflow structure start#

# tf.random_uniform(shape,minval=0,maxval=None,dtype=tf.float32,seed=None,name=None)
# random_uniform:均匀分布随机数，范围为[minval,maxval]
Weights = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
# biases给0向量
biases = tf.Variable(tf.zeros([1]))

# hypothesis
# 这就是我们初始化的函数（线）（最初的随机的线）
y = Weights * x_data + biases

# 损失函数（损失为点的预测值和真实值的差值的平方再取均值）
loss = tf.reduce_mean(tf.square(y - y_data))

# 学习率
optimizer = tf.train.GradientDescentOptimizer(0.5)

# 最小loss损失值
train = optimizer.minimize(loss)

# create tensorflow structure end#


# 初始化
init = tf.global_variables_initializer()

# Session启动变量
sess = tf.Session()
sess.run(init)


# 进行训练（200轮）
for step in range(201):
    sess.run(train)
    # 每20轮输出一次轮数、权重、偏置
    if step % 20 == 0:
        print(step, sess.run(Weights), sess.run(biases))