tensorflow学习04(构造线性回归模型)

在学完前几天的tensorflow基本变量定义和矩阵定义，今天我学习了tensorflow的构造线性回归模型

 

构造数据并调用matplotlib进行显示

写完代码后，第一次运行报错，原因是因为没有在tensorflow中下载matplotlib模块

将模块下载好之后，第二次运行就成功了

 

源代码

#导入numpy、tensorflow、matplotlib
import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt

#随机生成1000个点，围绕在y=0. 1x+0. 3的直线周围
#生成点数
num_points = 1000
#点集合，包含坐标x和坐标y
vectors_set = []
for i in range(num_points):
    #生成以0为均值，0.55为标准差的x的高斯初始化
    x1 = np.random.normal(0.0,0.55)
    #让y以y=0.1*x+0.3上下随机波动
    y1= x1*0.1+0.3+ np.random.normal(0.0,0.03)
    #将生成的数据放入点集合中
    vectors_set.append([x1,y1])

#读取生成的数据
x_data = [v[0] for v in vectors_set]
y_data = [v[1] for v in vectors_set]
#展示数据
plt.scatter(x_data,y_data,c='g') 
plt.show()

运行结果：

 

 

 

初始化线性回归重要参数w和b并调用梯度下降算法进行训练

源代码

#生成一维的矩阵，初始值是0
b = tf.Variable(tf.zeros([1]), name = 'b')
#经过计算得预估值y
y = W*x_data + b

#以预估值y和实际值y_data之间的均方差作为损失
loss = tf.reduce_mean(tf.square(y-y_data), name = 'loss')
#采用梯度下降法来优化参数
optimizer = tf.train.GradientDescentOptimizer(0.5)
#训练的过程就是最小化这个误差值
train = optimizer.minimize(loss, name= 'train')
#开启会话
sess = tf.Session()
init = tf.global_variables_initializer()
#对变量进行初始化
sess.run(init)

#输出显示初始化的W和b是多少
print("W=",sess.run(W),"b=",sess.run(b),"loss=",sess.run(loss))

#用for进行20次训练
for n in range(30):
    sess.run(train)
    #输出训练中的W和b
    print("W=",sess.run(W),"b=",sess.run(b),"loss=",sess.run(loss))

 

运行结果

 

 可以看出，随着损失loss的减小，生成的w越来越靠0.1，生成的b越来越靠近0.3

 

绘制拟合直线

源代码

#已经构造好的一千个点
plt.scatter(x_data,y_data,c='g') 
#构造直线
plt.plot(x_data,sess.run(W)*x_data+sess.run(b))
plt.show()

 

运行结果