tensorflow学习基础平面拟合
import tensorflow as tf
import numpy as np
#设置初始数据
x_data = np.float32(np.random.rand(2,100))
y_data = np.dot([0.100,0.200], x_data)+0.300
#定义参数变量
#tensorflow中所有的参数应该设置为Variable变量类型才能自动求导
#取b的初始值为0 W的初始值为随机分布的一行两列的数据大小为-1.到1之间
b = tf.Variable(tf.zeros([1]))
W = tf.Variable(tf.random_uniform([1,2],-1.0,1.0))
#将W 和x_data对应点相乘 加上b
y = tf.matmul(W,x_data)+b
#定义损失函数
loss = tf.reduce_mean(tf.square(y-y_data))
#设置优化器并且设置学习率为0.5
optimizer = tf.train.GradientDescentOptimizer(0.5)
#定义优化方向为loss最小
train = optimizer.minimize(loss)
#初始化变量
init = tf.initialize_all_variables()
#启动图
sess = tf.Session()
sess.run(init)
for step in range(101):
sess.run(train)
if step%10 ==0:
print(step,sess.run(W),sess.run(b))
运行的最后结果为
0 [[-0.16648704 -0.10253859]] [1.3972642]
10 [[-0.23303 -0.12905736]] [0.656346]
20 [[-0.10527672 0.00807187]] [0.5127117]
30 [[-0.02544293 0.08746759]] [0.42744726]
40 [[0.02371545 0.13365321]] [0.3763899]
50 [[0.05377305 0.16071558]] [0.3457996]
60 [[0.07205942 0.17666309]] [0.32746485]
70 [[0.083144 0.18610215]] [0.31647247]
80 [[0.08984528 0.1917078 ]] [0.30988076]
90 [[0.09388866 0.19504538]] [0.30592734]
100 [[0.09632487 0.19703646]] [0.30355597]
在运行到100次之后w1接近于1,w2接近于0.2 b接近于0.3