简介:本文章以tensorflow为平台建立了一个简单的线性回归模型,并得到了不错的效果。同时实现了模型的保存与加载,当一个模型的训练时间非常长的时候,利用模型的加载可以实现开启程序时接着上次训练。
- 平台:Python 3.6
- IDE:Pycharm
一、线性回归模型介绍
简单来说:线性回归就是利用一曲线段对一些连续的数据进行拟合,进而可以用这条曲线预测新的输出值。数学模型如下:
其中:w称为权重,b称为偏置,利用现有的数据训练出理想的w和b的值,然后建立模型,进行下一个值的预测。
二、数据介绍
import numpy as np
x_data = np.arange(-1, 1, 0.02, dtype=np.float32).reshape((100, 1))
y_true = np.tan(x_data) + np.random.normal(0, 0.1, 100).reshape((100, 1))
利用numpy模块产生100个数据,如下图展示的散点图,目的就是根据这些数据,拟合出一条最佳的曲线。
三、思路
1、加载数据
由于上图的数据是随机产生的,需要将数据保存在本地,然后从本地读取。不然每次运行程序的数据不一致。
with tf.variable_scope("data"):
# 获取数据
x_data = np.arange(-1, 1, 0.02, dtype=np.float32).reshape((100,1))
y_true = np.loadtxt("./data.csv").reshape((100,1))
2、建立模型
随机初始化权重weight和偏置bias的值,并建立回归模型。
with tf.variable_scope("model"):
# 初始化权重和偏置
weight = tf.Variable(tf.random_normal([1,1], mean=3.4, stddev=5.2), trainable=True, name="weight")
bias = tf.Variable(3.0, name="bias")
# 建立模型
y_predict = tf