import tensorflow as tf import numpy as np #Matplotlib是一个Python的图形框架,类似于MATLAB和R语言 import matplotlib.pyplot as plt #随机生成1000个点 围绕在y=0.1x+0.3的直线周围 num_points=1000 #生成随机点 vectors_set=[] for i in range(num_points): #循环1000次 x1=np.random.normal(0.0,0.55) #数据点的横坐标 高斯初始化 y1=x1*0.1+0.3+np.random.normal(0.0,0.03) #加上了小范围的分布 也是高斯分布 vectors_set.append([x1,y1]) #把数据点放到vectors_set中 #生成一些样本 x_data=[v[0]for v in vectors_set] y_data=[v[1]for v in vectors_set] plt.scatter(x_data,y_data,c='r') plt.show() #生成一维W矩阵,取值是[-1,1]之间的随机数 #W是一维矩阵 值是随机在-1,1之间取的 W=tf.Variable(tf.random_uniform([1],-1.0,1.0),name='W') #选取-1到1之间的随机数作为W的初始值 #生成一维的b矩阵,初始值是0 b=tf.Variable(tf.zeros(1),name='b') #经过计算得出预估值y y=W*x_data+b #以预估值y和实际值的y_data的均方误差作为损失 #square 平方项 loss=tf.reduce_mean(tf.square(y-y_data),name='loss') #采用梯度下降法来优化参数# optimizer=tf.train.GradientDescentOptimizer(0.5) #训练过程就是最小化这个误差值 optimizer优化器 train=optimizer.minimize(loss,name='train') sess=tf.Session() init=tf.global_variables_initializer()#全局变量的初始化 sess.run(init) #初始化W和b是多少 print("W=",sess.run(W),"b=",sess.run(b),"loss=",sess.run(loss)) #执行20次训练 for step in range(20): sess.run(train) #输出训练好的W和b print("W=",sess.run(W),"b=",sess.run(b),"loss=",sess.run(loss)) plt.scatter(x_data,y_data,c='r') plt.plot(x_data,sess.run(W)*x_data+sess.run(b)) plt.show()