Tensorflow实现简单的一元线性回归并保存和加载模型

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