使用tensorflow实现线性回归

技术  /  管理员 发布于 7年前   109

本文实例为大家分享了tensorflow实现线性回归的具体代码，供大家参考，具体内容如下

一、随机生成1000个点，分布在y=0.1x+0.3直线周围，并画出来

import tensorflow as tfimport numpy as npimport matplotlib.pyplot as pltnum_points = 1000vectors_set = []for i in range(num_points):  x1 = np.random.normal(0.0,0.55)  //设置一定范围的浮动  y1 = x1*0.1+0.3+np.random.normal(0.0,0.03)  vectors_set.append([x1,y1])x_data = [v[0] for v in vectors_set]y_data = [v[1] for v in vectors_set]plt.scatter(x_data,y_data,c='r')plt.show()

二、构造线性回归函数

#生成一维的w矩阵，取值为[-1，1]之间的随机数w = tf.Variable(tf.random_uniform([1],-1.0,1.0),name='W')#生成一维的b矩阵，初始值为0b = tf.Variable(tf.zeros([1]),name='b')y = w*x_data+b#均方误差loss = tf.reduce_mean(tf.square(y-y_data),name='loss')#梯度下降optimizer = tf.train.GradientDescentOptimizer(0.5)#最小化losstrain = optimizer.minimize(loss,name='train')sess=tf.Session()init = tf.global_variables_initializer()sess.run(init)#print("W",sess.run(w),"b=",sess.run(b),"loss=",sess.run(loss))for step in range(20):  sess.run(train)  print("W=",sess.run(w),"b=",sess.run(b),"loss=",sess.run(loss))//显示拟合后的直线plt.scatter(x_data,y_data,c='r')plt.plot(x_data,sess.run(w)*x_data+sess.run(b))plt.show()

三、部分训练结果如下：

W= [ 0.10559751] b= [ 0.29925063] loss= 0.000887708W= [ 0.10417549] b= [ 0.29926425] loss= 0.000884275W= [ 0.10318361] b= [ 0.29927373] loss= 0.000882605W= [ 0.10249177] b= [ 0.29928035] loss= 0.000881792W= [ 0.10200921] b= [ 0.29928496] loss= 0.000881397W= [ 0.10167261] b= [ 0.29928818] loss= 0.000881205W= [ 0.10143784] b= [ 0.29929042] loss= 0.000881111W= [ 0.10127408] b= [ 0.29929197] loss= 0.000881066

拟合后的直线如图所示：

结论：最终w趋近于0.1，b趋近于0.3，满足提前设定的数据分布

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。