tensorflow实现单元线性回归
给定x,y的数据集:
x_data=[[1.],[2.],[2.],[3.],[3.],[4.],[5.],[6.],[6.],[6.],[8.],[10.]]
y_data=[[-890.],[-1411.],[-1560.],[-2220.],[-2091.],[-2878.],[-3537.],[-3268.],[-3920.],[-4163.],[-5471.],[-5157.]]
训练出一个拟合这个数据的模型
代码块
代码块语法遵循python标准代码,通过tensorflow实现
'''
# 1 首先导入工具包
工具包中tensorflow的下载有些麻烦,可以找一下教程来帮助减少一些
你下载时遇到的bug
'''
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
# 2 导入数据集
x_data=[[1.],[2.],[2.],[3.],[3.],[4.],[5.],[6.],[6.],[6.],[8.],[10.]]
y_data=[[-890.],[-1411.],[-1560.],[-2220.],[-2091.],[-2878.],[-3537.],[-3268.],[-3920.],[-4163.],[-5471.],[-5157.]]
# 3.1 定义2个变量 y=k*x+b 中的k,b
k=tf.Variable(tf.random_normal([1,1]))
b=tf.Variable(tf.random_normal([1]))
# 3.2 定义函数 y = k * x + b
prediction=tf.matmul(x_data,k)+b
# 4.1 通过最小二乘法来求的误差(代价函数)
loss=tf.reduce_mean(tf.square(y_data-prediction))
# 4.2 通过阶梯函数来求得在误差范围内的最小loss
train_step=tf.train.GradientDescentOptimizer(0.01).minimize(loss)
# 5 生成会话,让数据训练模型
with tf.Session() as sess:
# 1>变量初始化
sess.run(tf.global_variables_initializer())
# 迭代阶梯函数找到最符合的模型
for _ in range(12):
sess.run(train_step)
prediction_value=sess.run(prediction)
# 6.将模型绘画出来
plt.figure()
plt.scatter(x_data,y_data)
plt.plot(x_data,prediction_value,'r-',lw=3)
plt.show()
本人是刚开始学习这方面知识的新人,所以,内容也许有些出错,随意指出,勿喷,也希望对和我一样在学习这方面知识的人有所帮助。