单变量logistics回归_Tensoflow实战-单变量线性回归

使用Tensorflow进行算法设计与训练的核心步骤：

·(1)准备数据

·(2)构建模型

·(3)训练模型

·(4)进行训练

以上步骤就是使用Tensorflow进行算法设计与训练的核心步骤，贯穿后面介绍的具体实战。

下面以一个单变量的线性方程来展示：

方程：Y =w * x + b

数据集：人工数据集，随机生成一个近似采样随机分布，w= 2， b=1，噪声最大振幅0.4

人工数据集

首先，导入相关库

(1)准备数据

直接采用np生成等差数列的方法，生成100个点，每个点的取值在-1，1之间，

构造满足这个函数的x和y的同时加入一些不满足方程的噪声.

(2)构建模型

·定义模型，实现前行计算

·创建待优化变量，Tensorflow变量的声明函数是tf.Variable，tf.Variable的作用是保存和更新参数，变量的初始值可以是随机数、常数，或是通过其他变量的初始值计算得到

·定义损失函数，损失函数用于描述预测值与真实值之间的误差,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)

(3)训练模型

·设置训练超参数，training_epochs 、learning_rate ；学习率的作用:控制参数更新的幅度。如果学习率设置过大

，可能导致参数在极值附近来回摇摆，无法保证收敛。如果学习率设置过小，虽然能保证收敛，但优化速度会大大降低，我们需要更多迭代次数。

·定义计算梯度函数，计算样本数据[x,y]在参数[w,b]点上的梯度

·执行训练(SGD)

执行训练代码

损失函数值变化

迭代训练结果图

从上图可以看出，本案例所拟合的模型较简单，训练5轮之后已经接近收敛，对于复杂模型，需要更多次训练才能收敛

·显示结果

w,b最终取值

结果可视化

数据分布(蓝色点)与模型(红线)可视化

(4)进行训练

测试结果

从输出结果看，预测值与目标值误差极小，本次预测成功！