Tensorflow线性回归问题（y=2x+1）

1.准备数据

import numpy as np
import matplotlib.pyplot as pt
#np.linspace生成100个等差数列，取值0,1之间
x_data=np.linspace(0,1,100)
#np.random.randn(*x_data.shape)维度跟x_data一致
y_data=2*x_data +1.0+np.random.randn(*x_data.shape)*0.4
pt.scatter(x_data,y_data)
pt.plot(x_data,2*x_data+1.0,color='red',linewidth=3)

2.构建模型

（1）定义训练数据的占位符，x是特征值，y是标签值

（2）定义模型函数

import tensorflow as tf

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

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

（3）定义模型结构

         tensorflow 变量的声明函数是tf.Variable

         tf.Variable的作用是保存和跟新参数

         变量是初始值可以是随机数，常数，或者其他变量的初始值

 

w=tf.Variable(1.0,name='w0')
b=tf.Variable(0.0,name='b0')

#pred是预测值，前向计算
pred=model(x,w,b)

3.训练模型

#训练次数
train_epochs=10
#学习率
learning_rate=0.05

（1）定义损失函数

         损失函数用于描述预测值跟真实值之间的误差，从而指导模型收敛方向

         常见损失函数：均方差（Mean Square Error,MSE）和交叉熵（cross-entropy）

         L2损失函数

         

#采用均方差作为损失函数
loss_function=tf.reduce_mean(tf.square(y-pred))

（2）定义优化器

         定义优化器Optimizer,初始化一个GradientDescentOptimizer 

         设置学习率与优化目标：最小化损失

#梯度下降优化器
optimizer=tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)

 （3）创建会话

 

#声明会话
sess=tf.Session()
#对所有变量初始化
init=tf.global_variables_initializer()
sess.run(init)

（4）迭代训练

for epoch in range(10):
    for xs,ys in zip(x_data,y_data):
        _,loss=sess.run([optimizer,loss_function],feed_dict={x:xs,y:ys})
        b0temp=b.eval(session=sess)
        w0temp=w.eval(session=sess)
        pt.plot(x_data,w0temp*x_data+b0temp)

 

4进行预测

print('w:',sess.run(w))
print("b:",sess.run(b))