使用TensorFlow實(shí)現(xiàn)簡單線性回歸模型
更新時(shí)間：2019年07月19日 11:17:50 作者：王勇21633012
這篇文章主要為大家詳細(xì)介紹了使用TensorFlow實(shí)現(xiàn)簡單線性回歸模型，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下
本文使用TensorFlow實(shí)現(xiàn)最簡單的線性回歸模型，供大家參考，具體內(nèi)容如下
線性擬合y=2.7x+0.6，代碼如下:
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
n = 201 # x點(diǎn)數(shù)
X = np.linspace(-1, 1, n)[:,np.newaxis] # 等差數(shù)列構(gòu)建X，[:,np.newaxis]這個(gè)是shape，這一行構(gòu)建了一個(gè)n維列向量（[1,n]的矩陣）
noise = np.random.normal(0, 0.5, X.shape) # 噪聲值，與X同型
Y = X*2.7 + 0.6 + noise # Y
xs = tf.placeholder(tf.float32, [None, 1]) # 下面兩行是占位符tf.placeholder(dtype, shape)
ys = tf.placeholder(tf.float32, [None, 1])
w = tf.Variable(1.1) # 這兩行是weight變量，bias變量，括號(hào)中是初始值
b = tf.Variable(0.2)
ypredict = tf.add(w*xs,b) # 根據(jù) w, b 產(chǎn)生的預(yù)測(cè)值
loss = tf.reduce_sum(tf.pow(ys-ypredict,2.0))/n # 損失函數(shù)，tf.reduce_sum()按某一維度元素求和，默認(rèn)為按列
optimizer = tf.train.GradientDescentOptimizer(0.01).minimize(loss) # 梯度下降優(yōu)化器，0.01學(xué)習(xí)率，最小化losss
init = tf.global_variables_initializer() # 初始化所有變量
with tf.Session() as sess:
sess.run(init) # 運(yùn)行初始化
for i in range (1000): # 迭代1000次
sess.run(optimizer, feed_dict = {xs:X,ys:Y}) # 運(yùn)行優(yōu)化器，梯度下降用到loss，計(jì)算loss需要xs, ys所以后面需要feed_dict
if i%50==0: # 每隔50次迭代輸出w,b,loss
# 下面sess.run(w),sess.run(b)里面沒有feed_dict是因?yàn)榇蛴,b不需要xs,ys，而打印loss需要
print ("w:",sess.run(w),"\t b:", sess.run(b), "\t loss:", sess.run(loss,feed_dict={xs:X,ys:Y}))
plt.plot(X,X*sess.run(w)+sess.run(b)) # 運(yùn)行迭代之后繪制擬合曲線，這需要在sess里面運(yùn)行是因?yàn)橐玫絯,b
plt.scatter(X,Y) # 繪制被擬合數(shù)據(jù)（散點(diǎn)）
plt.show() # 繪制圖像
結(jié)果：
w: 1.1106868 b: 0.2086223 loss: 1.2682248 w: 1.5626049 b: 0.4772562 loss: 0.7024503 w: 1.8849733 b: 0.57508457 loss: 0.47280872 w: 2.1149294 b: 0.61071056 loss: 0.36368176 w: 2.278966 b: 0.6236845 loss: 0.30917725 w: 2.3959787 b: 0.6284093 loss: 0.2815788 w: 2.4794474 b: 0.6301298 loss: 0.26755357 w: 2.5389886 b: 0.63075644 loss: 0.26041925 w: 2.5814607 b: 0.6309848 loss: 0.2567894 w: 2.611758 b: 0.6310678 loss: 0.25494233 w: 2.6333694 b: 0.6310981 loss: 0.25400248 w: 2.6487865 b: 0.631109 loss: 0.2535242 w: 2.659784 b: 0.63111293 loss: 0.25328085 w: 2.6676288 b: 0.6311139 loss: 0.25315702 w: 2.6732242 b: 0.6311139 loss: 0.25309405 w: 2.6772156 b: 0.6311139 loss: 0.25306198 w: 2.6800632 b: 0.6311139 loss: 0.25304565 w: 2.6820953 b: 0.6311139 loss: 0.25303733 w: 2.6835444 b: 0.6311139 loss: 0.25303313 w: 2.684578 b: 0.6311139 loss: 0.25303096
以上就是本文的全部內(nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。
大家好，本篇文章主要講的是最實(shí)用的20個(gè)python小技巧，感興趣的同學(xué)快來看一看吧，希望對(duì)你有幫助
2021-11-11 
這篇文章主要介紹了使用Numpy打亂數(shù)組或打亂矩陣行問題，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教
2023-05-05 
Python Numpy中數(shù)據(jù)的常用保存與讀取方法
這篇文章主要介紹了Python Numpy中數(shù)據(jù)的常用保存與讀取方法，本文給大家介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值,需要的朋友可以參考下
2020-04-04 
Python3中對(duì)json格式數(shù)據(jù)的分析處理
這篇文章主要介紹了Python3中對(duì)json格式數(shù)據(jù)的分析處理,本文給大家介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值，需要的朋友可以參考下
2021-01-01 
Python中json.dumps()和json.dump()的區(qū)別小結(jié)
在Python中,json.dumps()和json.dump()是兩個(gè)常用的函數(shù),本文主要介紹了Python中json.dumps()和json.dump()的區(qū)別小結(jié),具有一定的參考價(jià)值,感興趣的可以了解一下
2024-02-02 
Python實(shí)現(xiàn)二叉排序樹與平衡二叉樹的示例代碼
樹表查詢即借助具有特殊性質(zhì)的樹數(shù)據(jù)結(jié)構(gòu)進(jìn)行關(guān)鍵字查找，本文所涉及到的特殊結(jié)構(gòu)性質(zhì)的樹包括：二叉排序樹、平衡二叉樹。文中詳細(xì)介紹了二者的實(shí)現(xiàn)代碼，需要的可以參考一下
2022-04-04 
Python基于socket實(shí)現(xiàn)TCP客戶端和服務(wù)端
這篇文章主要介紹了Python基于socket實(shí)現(xiàn)的TCP客戶端和服務(wù)端，以及socket實(shí)現(xiàn)的多任務(wù)版TCP服務(wù)端，下面相關(guān)操作需要的小伙伴可以參考一下
2022-04-04 
循環(huán)神經(jīng)網(wǎng)絡(luò)TextRNN實(shí)現(xiàn)情感短文本分類任務(wù)
這篇文章主要為大家介紹了循環(huán)神經(jīng)網(wǎng)絡(luò)TextRNN實(shí)現(xiàn)情感短文本分類任務(wù)詳解，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步，早日升職加薪
2023-04-04 
這篇文章主要給大家介紹了關(guān)于django中cookiecutter使用的相關(guān)資料，文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧
2020-12-12