tensorflow-代码-简单线性拟合

tensorflow学习之路 五：线性拟合

步骤：

1.随机生成100随机点作为x，定义一个方程y=k×X+b，使用方程计算y的值

#使用numpy生成100个随机的点
x_data = np.random.rand(100)
y_data = x_data*1+3

2.创建两个变量k和b，表示要建立的线性模型的斜率k和截距b，建立方程

#构造一个线性模型
b = tf.Variable(0.)#定义一个变量，初始值设为0.0
k = tf.Variable(0.)#定义一个变量，初始值设为0.0
#定义一个线性模型
y = k*x_data + b

3.定义loss值，使用二次代价函数的方法，其中y_data表示真实值，y表示预测值

#二次代价函数，计算误差
loss = tf.reduce_mean(tf.square(y_data-y))

4.定义优化方法，使用梯度下降法进行优化，定义梯度下降法

#定义一个梯度下降法进行训练优化
optimizer = tf.train.GradientDescentOptimizer(0.2)

5.使用梯度下降法优化loss，获得最小loss

#最小化代价函数，使用上面定义的梯度下降法优化loss，减少误差
train = optimizer.minimize(loss)

完整代码：

"""
    tensorflow 简单使用案例
"""
import tensorflow as tf
import numpy as np
#使用numpy生成100个随机的点
x_data = np.random.rand(100)
y_data = x_data*1+3

#构造一个线性模型
b = tf.Variable(0.)#定义一个变量，初始值设为0.0
k = tf.Variable(0.)#定义一个变量，初始值设为0.0

#定义一个线性模型
y = k*x_data + b

#二次代价函数，计算误差
loss = tf.reduce_mean(tf.square(y_data-y))

#定义一个梯度下降法进行训练优化
optimizer = tf.train.GradientDescentOptimizer(0.2)

#最小化代价函数，使用上面定义的梯度下降法优化loss，减少误差
train = optimizer.minimize(loss)

#初始化变量
init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    for step in range(201):
        sess.run(train)
        if step%20 == 0:
            print(step,sess.run([k,b,loss]))#每隔20步，显示斜率k，截距b，误差loss

结果：

迭代次数    斜率       截距        误差
0         [0.7523737, 1.405753,  2.9684691]
20        [1.301885,  2.835301,  0.0067594755]
40        [1.1900864, 2.8962953, 0.0026799745]
60        [1.1196907, 2.934701,  0.0010625487]
80        [1.075365,  2.9588835, 0.00042127658]
100       [1.0474545, 2.9741104, 0.00016702618]
120       [1.0298804, 2.9836981, 6.6222114e-05]
140       [1.0188147, 2.9897354, 2.6255619e-05]
160       [1.0118468, 2.9935367, 1.0409605e-05]
180       [1.0074596, 2.9959302, 4.1273847e-06]
200       [1.0046971, 2.9974375, 1.6363775e-06]

可以看出经过多次迭代，原本斜率截距都为0.0的初始值，慢慢接近原始数据，误差越来越小