线性回归Tensorflow实战

单变量线性回归Tensorflow实战

一、核心步骤

使用tensorflow进行算法设计与训练的核心步骤：

​ ① 准备数据

​ ② 构建模型

​ ③ 训练模型

​ ④ 进行预测

二、实战一：线性方程

1. 单变量的线性方程可以表示为： y=w*x+b

2. 本例通过生成人工数据集。随机生成一个近似采样随机分布，使得w=0.2，b=1，并加入一个噪声，噪声的最大振幅为0.4

   y=2.0*x+1

完成：

1.人工数据集生成

#在Jupyter中，使用matplotlib显示图像需要设置为inline模式，否则不会现实图像
%matplotlib inline 

import matplotlib.pyplot as plt #载入matplotlib
import numpy as np #载入numpy
import tensorflow as tf#载入Tensorflow

#设置随机数种子
np.random.seed(5)

#直接采用np生成等差数列的方法，生成100个点，每个点的取值在-1~1之间
x_data=np.linspace(-1,1,100)
#y=2x+1+噪声，其中噪声的维度与x_data一致
y_data = 2*x_data+1.0+np.random.randn(*x_data.shape)*0.4

2. 利用matplotlib画出生成结果

   #画出随机生成数据的散点图
   plt.scatter(x_data,y_data)
   #画出我们想要学习到的线性函数  y =2x+1
   plt.plot(x_data,2*x_data+1.0,color='red',linewidth=3)
   

3, 构建模型

定义训练数据的占位符，x是特征值，y是标签值。

x=tf.placeholder("float",name="x")
y=tf.placeholder("float",name="y")

定义模型函数

def model(x,w,b):
	return tf.multiply(x,w)+b