TensorFlow进行多元线性回归

设置四个输入x1,x2,x3,x4，y为输出，通过TensorFlow拟合得到各自系数。

自定义数据集，x1,x2,x3,x4为随机生成（0,1）之间的随机数，y为x1+x2+x3+x4+随机噪声。

x为（49,4）49行4列的数据，y为49行1列；初始参数w1【4,1】4行1列，b1位1行1列；损失函数为均方误差，每500轮打印一次。

代码如下：

import tensorflow as tf
import numpy as np

SEED = 23455

rdm = np.random.RandomState(seed=SEED)  # 生成[0,1)之间的随机数
x = rdm.rand(49, 4)  #生成49行4列的特征x
y_ = [[x1 + x2 +x3+x4+ (rdm.rand() / 10.0 - 0.05)] for (x1, x2, x3,x4) in x]  # 生成噪声[0,1)/10=[0,0.1); [0,0.1)-0.05=[-0.05,0.05)
x = tf.cast(x, dtype=tf.float32)

w1 = tf.Variable(tf.random.normal([4, 1], stddev=1, seed=1))   #随机初始化参数w1，4行1列
b1 = tf.Variable(tf.random.normal([1], stddev=1, seed=1)) #xinjia

epoch = 15000   #数据集迭代15000
lr = 0.002

for epoch in range(epoch):
    with tf.GradientTape() as tape:
        y = tf.matmul(x, w1)+b1     #前向传播计算结果y   #
        loss_mse = tf.reduce_mean(tf.square(y_ - y))  #均方误差损失函数loss

    grads = tape.gradient(loss_mse, [w1,b1])   #损失函数对待训练参数w1求偏导   #
    w1.assign_sub(lr * grads[0])   #更新参数w1
    b1.assign_sub(lr * grads[1])  # 参数b自更新  #

    if epoch % 500 == 0:
        print("After %d training steps,w1 is " % (epoch))
        print(w1.numpy(), "\n")
print("Final w1 is: ", w1.numpy())
print("Final b1 is: ", b1.numpy())