TensorFlow实现一元线性回归模型搭建、训练、求参

Python：3.9

编译环境：vscode

TensorFlow：2.8.0

问题描述：设给定一批由y=0.1*x+0.3生成的数据集（x,y），建立线性回归模型h=w*x+b，预测出w=0.1和b=0.3。

其实网上或书本上都有，但是鉴于其上代码运行会出现各种错误，尤其是关于TensorFlow版本的问题最多，多的不说，先奉上代码及代码解释，便于初学者学习、理解。

#加入忽略,电脑使用cpu模式,加入忽略代码,可以防止报错产生

import os

from pickletools import optimize

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

## 生成拟合数据集 ````````````````    

# 首先导入3个库

from re import X

import numpy as np

import tensorflow.compat.v1 as tf           #TensorFlow版本原因

tf.disable_v2_behavior()

import matplotlib.pyplot as plt

# 随机产生100个数据点,随机概率符合高斯分布(正态分布)

num_points = 100

vectors_set = [ ]

for i in range(num_points):

    x1=np.random.normal(0.,0.55)

    y1=x1*0.1+0.3+np.random.normal(0.0,0.03)

    vectors_set.append([x1,y1])

# 定义特征向量x

x_data = [v[0] for v in vectors_set]

# 定义标签向量y

y_data = [v[1] for v in vectors_set]

plt.scatter(x_data,y_data,c='b')

plt.show()

## 构建线性回归模型数据流图``````````````

# 利用TensorFlow随机产生w和b，为了图形显示需要，分别定义名称myw和myb

w = tf.Variable(tf.random.uniform([1],-1.,1.),name='myw')   #新版的写法，写成tf.random_uniform()会报错，显示AttributeError类型错误

b = tf.Variable(tf.zeros([1]),name='myb')

# 根据随机产生的w和b，结合上面随机产生的特征向量x_data，经过计算得出预估值

y = w * x_data + b

# 以预估值y和实际值y_data的均方差作为损失

loss = tf.reduce_mean(tf.square(y-y_data,name='mysquare'),name='myloss')

# 采用梯度下降法来优化参数

tf.compat.v1.disable_eager_execution()

train = tf.train.GradientDescentOptimizer(0.5).minimize(loss)   #新版TensorFlow的写法

## 在Session中运行已构建的数据流图``````````

# global_variables_initializer初始化Variable等变量

sess = tf.Session()

int = tf.global_variables_initializer()

sess.run(int)

print('w=',sess.run(w),'b=',sess.run(b),sess.run(loss))

# 迭代50次train

step = 1

for step in range(50):

    sess.run(train)

    step = step + 1

    print('steps=',step,'w=',sess.run(w),'b=',sess.run(b),'loss=',sess.run(loss))

plt.scatter(x_data,y_data,c='b')

plt.plot(x_data,sess.run(w)*x_data+sess.run(b))

plt.show()

一般来说，给的数据集越多，训练次数越多，拟合的效果就会更好，也会得到更理想的结果

作者自己也是尝试了好多遍，中途会出现很多错误，也特别感谢CSDN这个平台，让我一步步解决问题，最终也功夫不负有心人，成功了。

有什么写的不对的地方，大家也多提意见，互相学习。

最后，尝试不易，希望有帮助到你的，点个赞鼓励一下爬虫小子