单变量线性回归TensorFlow实现

单变量线性回归y=wx+b使用TensorFlow实现代码

#单变量线性回归 y=wx+b
#步骤：准备数据→构建模型→训练模型→进行预测
#第一步：导入库函数

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
from sklearn.utils import shuffle
import pickle as p
%matplotlib inline
#第二步 读入数据
#第三步 数据处理
#1 准备数据
x_data = np.linspace(-1,1,100)
y_data = 2*x_data+1.0+np.random.randn(*x_data.shape)*0.4#引入噪音
#第四步 定义占位符
#2构建模型
x=tf.placeholder('float',name='x')
y=tf.placeholder('float',name='y')#定义占位符
#第五步 定义模型函数
def model(x,w,b):
    return tf.multiply(x,w)+b #定义模型函数
w=tf.Variable(1.0,name='w0')
b=tf.Variable(0.0,name='b0')#定义线性函数斜率和截距

pred = model(x,w,b)#前向计算，预测值

#第六步： 设置训练参数
#3 训练模型
 #设置训练参数
train_epochs =10
learning_rate = 0.05
#第七步： 定义损失函数
#定义损失函数
loss_function = tf.reduce_mean(tf.square(y-pred))
#第八步： 定义优化器
#定义优化器
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)
#第九步： 建立会话
#创建会话
sess=tf.Session()
init = tf.global_variables_initializer()
sess.run(init)
#4 迭代训练及显示损失值
step=0
loss_list=[]
for epoch in range(train_epochs):
    for xs,ys in zip(x_data,y_data):
        _,loss = sess.run([optimizer,loss_function],feed_dict={x:xs,y:ys})
        loss_list.append(loss)
        step+=1
        display_step=10#控制粒度
        if step%display_step == 0:
            print('train epoch:','%02d'%(epoch+1),'step:%03d'%(step),'loss=','{:.9f}'.format(loss))
    b0temp=b.eval(session=sess)
    w0temp=w.eval(session=sess)
    plt.plot(x_data,w0temp*x_data+b0temp)
    plt.plot(loss_list)