Tensorflow 入门篇-最小二乘法的线性回归算法
本文将借助Tensorflow来实现最小二乘法的线性回归算法。
大体的思路:首先生成随机紊乱的数据集,然后构建线性回归的Graph,最后在Session中迭代train器,得到拟合的参数w和b,最后画出拟合曲线。
最终结果如下图所示:
1.首先导入三个库
import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
2.生成随机的数据集,用matplotlib中的pyplot包组件画出分布曲线
num_point=100
vectors_set=[]
#print(type(vectors_set))
for i in range(num_point):
x1=np.random.normal(0.,0.55)
y1=x1*0.1+0.3+np.random.normal(0.0,0.03)
vectors_set.append([x1,y1])
x_data=[v[0] for v in vectors_set]
y_data=[v[1] for v in vectors_set]
plt.scatter(x_data,y_data)
plt.show()
3.构建线性回归Graph
w=tf.Variable(tf.random_uniform([1],-1.,1),name='myw')
b=tf.Variable(tf.zeros([1]),name='myb')
y=w*x_data+b #将自变量x代入,算出预估值
loss=tf.reduce_mean(tf.square(y-y_data,name='mysquare'),name='myloss')#以y与实际值的均方差做为损失值
optimizer=tf.train.GradientDescentOptimizer(0.5)#采用梯度下降法最小化损失
train=optimizer.minimize(loss,name='mytrain')
4.在Session中运行,并画出拟合曲线
sess=tf.Session()
init=tf.global_variables_initializer()
sess.run(init)
print("w=",sess.run(w),"b=",sess.run(b),sess.run(loss))
for step in range(20):
sess.run(train)
print("w=",sess.run(w),"b=",sess.run(b),sess.run(loss))
plt.scatter(x_data,y_data,c='g')
plt.plot(x_data,sess.run(w)*x_data+sess.run(b))
plt.show()
完工!!
感谢alg-flody 提供的思路帮助,AI领域处女篇,祝好。