python线性加权回归_python深度学习-tensorflow实现一个线性回归的案例

线性回归：w1x1+w2x2+w3x3+......+wnxn+bias(这是一个偏移量)，我们采用的算法是：线性回归，策略是：均方误差，优化是：梯度下降API,

1.转准备好实验的数据：100个数据，每一个有一个特征值，所以形成一个【100,1】的列表，在准备一个目标函数：y=0.8x+0.7那么怎么知道为什么是0.8和0.7呢，这是我们假设的

2.建立一个模型，需要我们随机生成两个参数，一个是权重w一个是偏置b ， y_predict = x * w + b,需要注意的是这个模型的参数必须要用变量来定义

3.求损失误差，我们求的是均方误差，公式是：((y1-y1')^2+(y2-y2')^2+.......+(y100-y100')^2)/100

4.接下来就是利用梯度下降来优化误差，这个梯度下降是tensorflow里边自己实现的，我们只需要指定一个学习率就行了

Tensorflow运算的API

矩阵运算：tf.matmul(x,w)

平方运算：tf.square(参数1)

均值运算：tf.reduce_mean(参数1)

梯度下降API:　　tf.train.GradientDescentOptimizer(learning_rate);这是一个梯度下降优化器，learn_rate一般是method:minimize(loss)，返回一个梯度下降的op

importtensorflow as tfimportos

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'#把报错的这个警告等级降低

defmyLineregression():#1.准备数据，x是100行1列的矩阵，y是一个目标值，100行

x = tf.random_normal([100,1],mean = 1.75,stddev=0.5,name="x_data")

y_true= tf.matmul(x,[[0.7]]) + 0.8 #其中这个0.7和0.8是不知道的，在这里我们假设我们知道了

#2.建立回归模型，1个特征值x 1个权重weight，一个偏置bias，组成：y = x*weight + bias,这里一定是变量

#随机给一个权重和偏置，让他接下来去计算误差函数，然后再去优化，但是前提是必须是变量才能优化

weigth = tf.Variable(tf.random_normal([1,1],mean=0.0,stddev=1.0),name='w')#即使是一个数也要表示成矩阵，一行一列表示一个矩阵

bias = tf.Variable(0.0,name='b')

y_predict= tf.matmul(x,weigth) +bias;#3建立损失函数

loss = tf.reduce_mean(tf.square(y_true -y_predict))#4.梯度下降优化损失,learning_rate一般是在0~10,越小越好通常是，最大不要超过10，然后通过minimize()来优化误差函数loss

train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)#接下来就要通过会话来运行实现了，但在这之前需要初始化变量的op

init_op =tf.global_variables_initializer()

with tf.Session() as sess:#初始化变量

sess.run(init_op)#打印最先初始化的权重个偏置

print("最先初始化的权重：%f 和 偏置是：%f" %(weigth.eval(),bias.eval()))#最先初始化的权重：-0.475077 和 偏置是：0.000000

##运行优化,这只是训练一次的结果：优化后的权重：0.635607 和 偏置是：0.581311

#sess.run(train_op)

#循环训练，运行优化,优化1000次，越多越精确，越接近我们的假设值

for i in range(1000):

sess.run(train_op)#打印优化后的权重和偏置

print("第%d次优化后的权重：%f 和 偏置是：%f" %(i,weigth.eval(), bias.eval()))returnNoneif __name__ == "__main__":

myLineregression()

.......

那么你可能有一个疑问，为什么weight和bias会一直变化呢，因为他两是tf.Variable类型的，在Variable()最后一个参数是trainable默认是True，如果你指定他是False的话，weight和bias就不会随着我们梯度变化来变化了

我们接下来用变量作用域来实现一下：这样的作用有两个：第一：使得我们的代码更加爽目；第二：使得我们后台显示很流畅，否则可能会有点凌乱

importtensorflow as tfimportos

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'#把报错的这个警告等级降低

defmyLineregression():

with tf.variable_scope("data"):#1.准备数据，x是100行1列的矩阵，y是一个目标值，100行

x = tf.random_normal([100,1],mean = 1.75,stddev=0.5,name="x_data")

y_true= tf.matmul(x,[[0.7]]) + 0.8 #其中这个0.7和0.8是不知道的，在这里我们假设我们知道了

with tf.variable_scope("model"):#2.建立回归模型，1个特征值x 1个权重weight，一个偏置bias，组成：y = x*weight + bias,这里一定是变量

#随机给一个权重和偏置，让他接下来去计算误差函数，然后再去优化，但是前提是必须是变量才能优化

weigth = tf.Variable(tf.random_normal([1,1],mean=0.0,stddev=1.0),name='w')#即使是一个数也要表示成矩阵，一行一列表示一个矩阵

bias = tf.Variable(0.0,name='b')

y_predict= tf.matmul(x,weigth) +bias;

with tf.variable_scope("loss"):#3建立损失函数

loss = tf.reduce_mean(tf.square(y_true -y_predict))

with tf.variable_scope("Optimizer"):#4.梯度下降优化损失,learning_rate一般是在0~10,越小越好通常是，最大不要超过10，然后通过minimize()来优化误差函数loss

train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)#接下来就要通过会话来运行实现了，但在这之前需要初始化变量的op

init_op =tf.global_variables_initializer()

with tf.Session() as sess:#在后台可视化观察图结构

fileWrite = tf.summary.FileWriter("E:/python/day8/temp/summary/text/",graph=sess.graph)#接下来在终端运行tensorboard --logdir="E:/python/day8/temp/summary/text/",就会产生一个网址，在浏览器打开即可

#初始化变量

sess.run(init_op)#打印最先初始化的权重个偏置

print("最先初始化的权重：%f 和 偏置是：%f" %(weigth.eval(),bias.eval()))#最先初始化的权重：-0.475077 和 偏置是：0.000000

##运行优化,这只是训练一次的结果：优化后的权重：0.635607 和 偏置是：0.581311

#sess.run(train_op)

#循环训练，运行优化

for i in range(1000):

sess.run(train_op)#打印优化后的权重和偏置

print("第%d次优化后的权重：%f 和 偏置是：%f" %(i,weigth.eval(), bias.eval()))returnNoneif __name__ == "__main__":

myLineregression()

后台样式：