Tensorflow2.0入门-简单线性回归模型

Tensorflow深度学习 2.3 线性模型实战

这里采用w=1.477,b=0.089的线性模型，即y=1.477x + 0.089,来进行数据采样。给模型添加随机噪声eps，服从均值为0，标准差为0.1的高斯分布（正太分布）：

y=1.477x + 0.089 + eps.

数据采样代码：

import numpy as np

# 创建列表，用于保存采集得到的样本
data = []

for i in range(100):
    x = np.random.uniform(-10., 10.) # 随机采样输入x
    
    #采样高四噪声
    eps = np.random.normal(0.,0.01)
    
    y = 1.477 * x + 0.089 + eps
    
    data.append([x, y])
    
data = np.array(data) #转为2D Numpy数组
data

计算误差代码：

计算在每个点（，）处的预测值与真实值之间的差的平方在累加，从而获得训练集上的均方误差损失值。

def mse(b, w, points):
    
    # 根据当前的w， b参数计算均方差损失
    totalLoss = 0
    
    for i in range(0, len(points)): # 循环迭代所有点
        
        x = points[i, 0] #points中 每个元素都是一个数组（x，y）， i表示points中的第几个元素，0代表该元素的第一个值，即x值
        
        y = points[i, 1] # 同理，1代表第i个元素的第二个值，即y
        
        # 计算差的平方和
        
        totalLoss += (y - (w * x + b)) ** 2
        
    
    # 将累加的误差求平均，得到均方差    
    return totalLoss/ len(points)

 

计算梯度代码：

如图 所示， 𝑓(𝑥, 𝑦) = −(cos2 𝑥 + cos2 𝑦)2，图中𝑥𝑦平面的红色箭头的长度表示梯度向量的模，箭头的方向表示梯度向量的方向。可以看到，箭头的方向总是指向当前位置函数值增速最大的方向，函数曲面越陡峭，箭头的长度也就越长，梯度的模也越大。
 

<