tensorflow实践-02:线性回归

　　为了进一步熟悉tensorflow的基本操作，下面通过一个线性回归的小例子简单展示一下tensorflow的基本使用流程。

数据

　　由于是简单的线性回归，我们自己生成一份随即数据作为演示就可以了。

def createData(W,b):
    X = np.linspace(-1,1,100)
    Y = W*X + b + np.random.randn(*X.shape)*W*0.1
    return X,Y

　　生成数据如下:

　　

构建数据流图

　　上面生成的数据分布是二维平面上的直线，那么公式为$y = f(x) = wx+b$
X和Y是输入的训练数据，用占位符表示

    #X = tf.placeholder(tf.float32,shape = trainX.shape) 默认shape=None表示任意类型
    #Y = tf.placeholder(tf.float32,shape = trainY.shape)
    X = tf.placeholder(tf.float32)
    Y = tf.placeholder(tf.float32)

　　需要训练的参数是w和b，因为会在每一次迭代时更新，所以需要定义为变量

    W = tf.Variable(np.random.randn(),name='weight')
    B = tf.Variable(np.random.randn(),name='bias')

　　这里公式非常简单只有一个函数$y=wx+b$

    #也可以Y_pred = tf.add(tf.multiply(W,X) , b)   
    Y_pred = W*X + B 

定义损失函数

　　这里用L2损失

    #也可以loss = tf.reduce_sum(tf.squared_difference(Y , Y_pred))
    loss = tf.reduce_sum(tf.square(Y - Y_pred))

　　正则化

    loss += 1e-6*tf.global_norm([W])

最小化损失

　　使用GradientDescentOptimizer优化器,tensorflow内置了一些优化器，可以直接使用。

    trainOp = tf.train.GradientDescentOptimizer(0.001).minimize(loss)

训练

    epochs = 1000
    with tf.Session() as sess:
        sess.run(tf.initialize_all_variables())
        for epoch in range(epochs):
           w,b = sess.run([trainOp,W,B],feed_dict={X:trainX,Y:trainY})

　　训练结束后得到最终的w和b,画出来看看结果是否正确:

完整代码