学习进度笔记6

今天开始接触学习机器学习和深度学习的内容

TensorFlow 线性回归

先导入所需包

import tensorflow as tf  

import numpy as np  

import matplotlib.pyplot as plt  

import os  

os.environ["CUDA_VISIBLE_DEVICES"]="0"

代码如下

learning_rate=0.01  

training_epochs=1000  

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("float")  

Y=tf.placeholder("float")  

#Set model weights  

W=tf.Variable(np.random.randn(),name="weight")  

b=tf.Variable(np.random.randn(),name='bias')  

#Construct a linear model  

pred=tf.add(tf.multiply(X,W),b)  

#Mean squared error  

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

# Gradient descent  

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

#Initialize the variables  

init =tf.global_variables_initializer()  

#Start training  

with tf.Session() as sess:  

    sess.run(init)  

    #Fit all training data  

    for epoch in range(training_epochs):  

        for (x,y) in zip(train_X,train_Y):  

            sess.run(optimizer,feed_dict={X:x,Y:y})  

        #Display logs per epoch step  

        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("Train cost=",training_cost,"W=",sess.run(W),"b=",sess.run(b))  

    #Graphic display  

    plt.plot(train_X,train_Y,'ro',label='Original data')  

    plt.plot(train_X,sess.run(W)*train_X+sess.run(b),label="Fitting line")  

    plt.legend()  

    plt.show()