tensorflow中x,y in zip(x_data, y_data)的用法

在一元线性回归的模型训练中，定义的数据如下：

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
np.random.seed(5)#设置随机数种子
x_data = np.linspace(-1, 1, 10) #生成-1~1之间的100个数
y_data = 2*x_data + 1.0 + np.random.randn(10)*0.3 #返回一个指定形状的数组，数组中的值服从标准正态分布（均值为0，方差为1）
print('x_data.ndim = ', x_data.ndim)
print('x_data.shape ', x_data.shape)

假如在session中，每传进去一个数据而不是一批数据就进行一次参数的调整，那么就需要我们逐个的取出来x_data和y_data中的数据，一种方法是如下：

num = x_data.shape[0]
for i in range(num):
    print('x = {0}, y = {1}'.format(x_data[i], y_data[i]))

还有一种更简单的，就是用zip()

for x,y in zip(x_data, y_data):
    print('x = {0} , y = {1}'.format(x, y))

下面分别演示采用两种方法进行模型的训练

1、采用range遍历

#2021.10.12 HIT ATCI LZH
#一元线性回归模型，实现函数的拟合
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
np.random.seed(5)#设置随机数种子
X_train = np.linspace(-1, 1, 100) #生成-1~1之间的100个数
Y_train= 2*X_train + 1.0 + np.random.randn(100)*0.3 #返回一个指定形状的数组，数组中的值服从标准正态分布（均值为0，方差为1）
num = X_train.shape[0]#数据集的大小
plt.figure(num=1)
plt.scatter(X_train, Y_train, label = 'Original data')#绘制含噪声的散点图
plt.plot(X_train, 2*X_train + 1.0, color = 'red', linewidth=3,label='Object line')
plt.legend(loc = 3)#设置图例的显示位置
plt.show()
print('x_data.ndim = ', X_train.ndim)
print('x_data.shape ', X_train.shape)

#为训练数据申明Tensorflow占位符
X = tf.placeholder(dtype = tf.float32, name='X')
Y = tf.placeholder(dtype = tf.float32, name='Y')
#创建Tensorflow的权重和偏置且初始值设为0
w = tf.Variable(0.0)
b = tf.Variable(0.0)
#定义用于预测的线性回归模型
Y_hat = X*w + b
#定义损失函数
#loss = tf.square(Y - Y_hat, name='loss')
loss = tf.reduce_mean(tf.square(Y - Y_hat))#损失函数，均方误差
#选择梯度下降优化器
optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.02).minimize(loss) #学习率
#申明初始化操作符
init_op = tf.global_variables_initializer()
total = []#定义一个空列表

#启动计算图
with tf.Session() as sess:
    sess.run(init_op)#初始化变量
    for i in range(100):
        train_one_loss = 0.0 #定义一个空列表,储存每次的误差
        for i in range(num):
            _, l = sess.run([optimizer, loss],feed_dict = {X:X_train[i], Y:Y_train[i]})
            train_one_loss += l
        total.append(train_one_loss/num)
    b_value, w_value = sess.run([b, w])
    print(b_value)
    print(w_value)
#查看结果
Y_pred = X_train * w_value + b_value
print('Done')
#plot the result
plt.plot(X_train,Y_train,'bo',label='Real Date')
plt.plot(X_train,Y_pred,'r',label='Predict Data')
plt.legend()#
plt.show()
plt.plot(total)
plt.show()

采用zip方式，代码如下

#2021.10.12 HIT ATCI LZH
#一元线性回归模型，实现函数的拟合
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
np.random.seed(5)#设置随机数种子
X_train = np.linspace(-1, 1, 100) #生成-1~1之间的100个数
Y_train= 2*X_train + 1.0 + np.random.randn(100)*0.3 #返回一个指定形状的数组，数组中的值服从标准正态分布（均值为0，方差为1）
num = X_train.shape[0]#数据集的大小
plt.figure(num=1)
plt.scatter(X_train, Y_train, label = 'Original data')#绘制含噪声的散点图
plt.plot(X_train, 2*X_train + 1.0, color = 'red', linewidth=3,label='Object line')
plt.legend(loc = 4)#设置图例的显示位置
plt.show()
print('x_data.ndim = ', X_train.ndim)
print('x_data.shape ', X_train.shape)

#为训练数据申明Tensorflow占位符
X = tf.placeholder(dtype = tf.float32, name='X')
Y = tf.placeholder(dtype = tf.float32, name='Y')
#创建Tensorflow的权重和偏置且初始值设为0
w = tf.Variable(0.0)
b = tf.Variable(0.0)
#定义用于预测的线性回归模型
Y_hat = X*w + b
#定义损失函数
#loss = tf.square(Y - Y_hat, name='loss')
loss = tf.reduce_mean(tf.square(Y - Y_hat))#损失函数，均方误差
#选择梯度下降优化器
optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.02).minimize(loss) #学习率
#申明初始化操作符
init_op = tf.global_variables_initializer()
total = []#定义一个空列表

#启动计算图
with tf.Session() as sess:
    sess.run(init_op)#初始化变量
    for i in range(100):
        train_one_loss = 0.0 #定义一个空列表,储存每次的误差
        for x,y in zip(X_train, Y_train):
            _, l = sess.run([optimizer, loss],feed_dict = {X:x, Y:y})
            train_one_loss += l
        total.append(train_one_loss/num)
    b_value, w_value = sess.run([b, w])
    print(b_value)
    print(w_value)
#查看结果
Y_pred = X_train * w_value + b_value
print('Done')
#plot the result
plt.plot(X_train,Y_train,'bo',label='Real Date')
plt.plot(X_train,Y_pred,'r',label='Predict Data')
plt.legend()#
plt.show()
plt.plot(total)
plt.show()

实验结果：