Tensorflow环境下 线性回归（梯度下降）的练手实例（完整源码+说明）

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。