tensorflow线性回归

#线性回归
import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt

#随机生成1000个点  围绕在y = 0.1x + 0.3直线周围
num_points = 1000
vectors_set = []
#循环 从0到num_points依次赋值给i
for i in range(num_points):
	x1 = np.random.normal(0.0,0.55)
	y1 = x1*0.1+0.3+np.random.normal(0.0,0.03)
	vectors_set.append([x1,y1])

Numpy.random.normal(loc=0.0,scale=1.0,size=None)

高斯分布函数

loc:该概率分布的均值，对应着整个分布的中心(center)

scale:该概率分布的标准差（对应于分布的宽度，scale越大越矮胖，scale越小，越瘦高

size:输出的shape，默认为None，只输出一个值

#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()

#构造线性回归 首先随机初始化w,b有一个预测值 基于最小二乘法，让损失最小
#选取一个数生成1维的W矩阵，取值为[-1,1]之间的随机数 权值参数
W = tf.Variable(tf.random_uniform([1],-1.0,1.0),name='W')		#只有一个x 所以就有1个w

#偏置参数 生成一维的b矩阵 初始值为0
b = tf.Variable(tf.zeros([1]))

#经过计算得出预估值y
y = W * x_data + b

#以预估值y和实际值y_data 之间的均方误差作为损失
loss = tf.reduce_mean(tf.square(y - y_data))

tf.square:计算方差

tf.reduce_mean:求平均值

#采用梯度下降法来优化参数  梯度下降优化器
optimizer = tf.train.GradientDescentOptimizer(0.5)

#训练的过程就是最小化这个误差值 train是优化的目标
train = optimizer.minimize(loss)

#构造session
sess = tf.Session()

#全局变量初始化
init = tf.global_variables_initializer()
#执行
sess.run(init)

#初始化的w和b是多少
print("W = ",sess.run(W),"b = ",sess.run(b),"lossesss = ",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()