线性回归的一些细节对比:
for (x,y) in zip (x_data,y_data):
sess.run(train_op,feed_dit={x_:x,y_:y})
这个数据输入的方式为逐个输入。但是也需要x_y_使用占位符作为数据输入的占位点:
x_ = tf.placeholder(tf.float32)
y_ = tf.placeholder(tf.float32)
一个线性回归的案例:
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
x_data = np.random.randn(100)#.astype(np.float32)
y_data = x_data * 0.3 + 0.1
weight = tf.Variable(0.5)
bias = tf.Variable(0.0)
x_ = tf.placeholder(tf.float32)
y_ = tf.placeholder(tf.float32)
y_model = weight * x_ + bias
loss = tf.pow((y_model - y_),2)
train_op = tf.train.GradientDescentOptimizer(0.01).minimize(loss)
sess = tf.Session()
init = tf.global_variables_initializer()
sess.run(init)
for _ in range(10):
for (x,y) in zip(x_data,y_data):
sess.run(train_op,feed_dict={x_:x,y_:y})
print("weighe: " ,weight.eval(sess)," | bias: ",bias.eval(sess))
plt.plot(x_data, y_data, 'ro', label='Original data')
plt.plot(x_data, sess.run(weight) * (x_data) + sess.run(bias), label='Fitted line')
plt.legend()
plt.show()
另外可以设置程序提前停止:
threshold=0.01
。。。
在循环时候设置:
flag=1
while(flag)
输入数据
。。
if sess.run(loss,feed_dict={x_:x_data,y_:y_data})<=threshold:
flag=0
程序停止。
多元回归:
matrix1=tf.constant([[3,3],[4,4]])
matrix2=tf.constant([3,3])
sess=tf.Session()
print(matrix1)
print(sess.run(matrix1))
print(matrix2)
print(sess.run(matrix2))
创建数组,第一个是22 第二个是21
matrix1=tf.constant([1,2,3,4,5,6], shape=[2,3])
matrix2=tf.constant([1,1,1,1,1,1], shape=[3,2]) 可以指定矩阵类型
matrix1=tf.Variables(tf.ones([3,3]))
变量的定义
matrix1=tf.placeholder(‘float32’,[3,3])