tensorflow2.0入门--初步实现线性回归

假设我们的学习函数是 y = 2x + 1

打开jupyter编译，先导入必要的包，本文的代码是在tensorflow2.0上实现的

import  matplotlib.pyplot as plt
import  numpy as np
import tensorflow as tf
print(tf.__version__)

为了能够直接在jupyter上显示图形，再输入

%matplotlib inline

1.使用numpy产生数据

#载入随机种子
np.random.seed(5)
#生成100个等差序列，每个值在-1 - 1 之间
x_data = np.linspace(-1,1,100)
#y = 2x + 1 + 噪声，噪声的维度和x_Data一致
y_data = 2 * x_data +1.0 +np.random.randn(*x_data.shape) * 0.4 #*表示把元组拆分为一个个单独的实参

画出散点图以及训练前的线性函数

plt.scatter(x_data,y_data)
plt.plot(x_data,2*x_data+1,color = 'red' ,linewidth = 3)

结果如图

2.训练模型
定义模型函数以及线性函数的斜率和截距

#定义模型函数
def model(x,w,b):
    return tf.multiply(x,w)+b

#构建线性函数的斜率和截距
w = tf.Variable(np.random.randn(),tf.float32)
b = tf.Variable(0.0,tf.float32)

因为模型比较简单，因此超参的迭代次数设置的比较小

#设置迭代次数和学习率
train_epochs = 10
learning_rate = 0.01
loss = []
count = 0
display_count = 10 #控制显示粒度的参数,每训练10个样本输出一次损失值

设置损失函数，这里使用均方差作为损失函数

def loss_fun(x,y,w,b):
    err = model(x,w,b)-y
    squared_err = tf.square(err)
    return tf.reduce_mean(squared_err)

返回梯度向量

def grad(x,y,w,b):
    with tf.GradientTape() as tape:
        loss_ = loss_fun(x,y,w,b)
    return tape.gradient(loss_,[w,b])

开始训练，轮数为epoch，采用SGD随机梯度下降优化方法

#开始训练，轮数为epoch，采用SGD随机梯度下降优化方法
for epoch in range(train_epochs):
    for xs,ys in zip(x_data,y_data):
        #计算损失，并保存本次损失计算结果
        loss_ =loss_fun(xs,ys,w,b)
        loss.append(loss_)
        #计算当前[w,b]的梯度
        delta_w,delta_b = grad(xs,ys,w,b)
        change_w = delta_w * learning_rate
        change_b = delta_b * learning_rate
        w.assign_sub(change_w)
        b.assign_sub(change_b)
        #训练步数加1
        count = count +1
        if count % display_count == 0:
            print('train epoch : ','%02d'%(epoch+1),'step:%03d' % (count),'loss= ','{:.9f}'.format(loss_))
    #完成一轮训练后，画图
    plt.plot(x_data,w.numpy() * x_data +b.numpy())

运行结果如图：

可以看出，因为模型比较简单，训练五次后就开始收敛

显示w和b的值

#显示训练结果
print('w: ',w.numpy())
print('b: ',b.numpy())

输出结果:
w: 1.9883282
b: 1.0375928
3.结果可视化

plt.scatter(x_data,y_data,lable = 'original data')
plt.plot(x_data,x_data *2.0 +1.0, label = 'object line',color = 'g',linewidth = 3)
plt.plot(x_data,x_data *w.numpy() + b.numpy(),label = 'fitted line',color = 'r',linewidth = 3)
plt.legend(loc = 2) #通过指定参数loc指定图例的位置

结果如图：

4.预测数据

x_test= 3.21
predict = model(x_test,w.numpy(),b.numpy())
print('预测值是：%f' % predict)
target = 2*x_test+1.0
print('目标值是：%f' % target)

输出结果：
预测值是：7.420126
目标值是：7.420000