最简单的机器学习实现（能看到图）

最简单的机器学习实现（能看到图）

本篇文章将带你一步一步的走到能看到线性回归的图，哈哈！

1、安装AnaConda

据说还有MiniConda，功能和AnaConda差不多，我还是用的AnaConda，安装教程：http://www.cnblogs.com/bruceshao/p/8557021.html

2、安装PyCharm

这个应该都不用介绍，傻瓜式直接安装就行了，其实AnaConda也是傻瓜式安装的。

我们是用pyCharm进行python的代码开发的。

3、安装tensorflow

我们打开AnaConda Prompt，就是AnaConda安装完之后的终端，然后开始安装tensorflow。

其实安装方式非常简单，只需要执行conda install tensorflow即可，很多人说需要新建一个py3.5的环境，不用，目前tensorflow已经可以支持py3.6的环境了。

注意：默认安装的AnaConda的python是py3.6的环境。

需要你输入y，傻瓜式输入静等安装完成即可。

可能你能看到如下的界面：

4、PyCharm创建工程

打开PyCharm，新建Project，然后对项目进行设置，参考：http://www.cnblogs.com/bruceshao/p/8567954.html

然后在项目中新建py文件，例如test1.py，在里面输入内容如下：

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

rng = np.random

# Parameters
learning_rate = 0.01
training_epochs = 5000
display_step = 50

# Training Data
train_X = np.asarray([3.3, 4.4, 5.5, 6.71, 6.93, 4.168, 9.779, 6.182, 7.59,
                      2.167, 7.042, 10.791, 5.313, 7.997, 5.654, 9.27, 3.1])
train_Y = np.asarray([1.7, 2.76, 2.09, 3.19, 1.694, 1.573, 3.366, 2.596, 2.53,
                      1.221, 2.827, 3.465, 1.65, 2.904, 2.42, 2.94, 1.3])

n_samples = train_X.shape[0]

# tf Graph Input
X = tf.placeholder(tf.float32)
Y = tf.placeholder(tf.float32)

# Set model weights
W = tf.Variable(rng.randn(), name="weight")
b = tf.Variable(rng.randn(), name="bias")

pred = tf.add(tf.multiply(X, W), b)

cost = tf.reduce_sum(tf.pow(pred - Y, 2)) / (2 * n_samples)

optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)

init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)

    for epoch in range(training_epochs):
        for (x, y) in zip(train_X, train_Y):
            sess.run(optimizer, feed_dict={X: x, Y: y})

        if (epoch + 1) % display_step == 0:
            c = sess.run(cost, feed_dict={X: train_X, Y: train_Y})
            print("Epoch:", '%04d' % (epoch + 1), "cost=", "{:.9f}".format(c), "W=", sess.run(W), "b=", sess.run(b))

    print("Optimization Finished!")
    training_cost = sess.run(cost, feed_dict={X: train_X, Y: train_Y})
    print("Training cost=", training_cost, "W=", sess.run(W), "b=", sess.run(b), '\n')

    # 画出拟合图像
    plt.plot(train_X, train_Y, 'ro', label='Original data')
    plt.plot(train_X, sess.run(W) * train_X + sess.run(b), label='Fitted line')
    plt.legend()
    plt.show()

右键Run这个文件，我们会看到一些日志然后是一个线性回归的图片，哈哈~~~~