tensorflow1.X实现线性回归+可视化处理

tensorflow1.X实现线性回归+可视化处理

首先安装tensorflow

方式一:pip install tensorflow-gpu==1.14.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

方式二:conda install tensorflow-gpu==1.14
这里推荐使用pip的方式安装

安装GPU版本需要配置CUDA,相关文章到我的另一篇博客:
https://blog.csdn.net/qq_38008528/article/details/118033428

pip&conda基本常用的命令
conda命令
安装包: conda install <package_name>
卸载包: conda remove <package_name>
更新包: conda update <package_name>
模糊查询: conda search

pip命令
安装包: pip install <package_name>
卸载包: pip uninstall <package_name>

conda环境管理
创建环境: conda create --name <env_name> <package_name>
激活环境: activate <env_name>
退出环境: deactivate
删除环境: conda remove --name <env_name> --all
查看当前环境系统以及创建的当前环境的信息: conda env list

下面请看代码展示:

// tensorflow1.X实现线性回归+可视化处理  
import tensorflow as tf

# 设置随机种子
tf.set_random_seed(777)
# 定义数据集
x_data = [[73., 80., 75.],
          [93., 88., 93.],
          [89., 91., 90.],
          [96., 98., 100.],
          [73., 66., 70.]]
y_data = [[152.],
          [185.],
          [180.],
          [196.],
          [142.]]
# 定义占位符:前面是数据类型，后面是维度大小（n行3列）
x=tf.placeholder(tf.float32,shape=[None,3])
y=tf.placeholder(tf.float32,shape=[None,1])
# 权重和偏置
w=tf.Variable(tf.random_normal([3,1]))
b=tf.Variable(tf.random_normal([1]))
# 预测模型
h=tf.matmul(x,w)+b
# 代价或损失函数
j=tf.reduce_mean(tf.square(h-y))

sj=tf.summary.scalar('loss',j)
global_step=0
# 梯度下降优化器
train=tf.train.GradientDescentOptimizer(learning_rate=0.00001).minimize(j)
# 创建会话
sess=tf.Session()
sess.run(tf.global_variables_initializer())
writer = tf.summary.FileWriter("./logs/tensorboard1", sess.graph)
# 迭代训练
for i in range(2001):
    s,jv,_=sess.run([sj,j,train],feed_dict={x:x_data,y:y_data})
    writer.add_summary(s,global_step)
    global_step+=1
# 验证或预测
print(sess.run(h,feed_dict={x:[[4,5,6]]}))
# 释放Writer
writer.close()
sess.close()

转载请标明出处,禁止侵权谢谢!