TensorFlow神经网络构造线性回归模型示例教程
这篇文章主要为大家介绍了TensorFlow构造线性回归模型示例教程,有需要的朋友可以借鉴参考下,希望能够有所帮助,祝大家多多进步
先制作一些数据:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 | 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 num_points = 1000 vectors_set = [] for i in range (num_points): x1 = np.random.normal( 0.0 , 0.55 ) # np.random.normal(mean,stdev,size)给出均值为mean,标准差为stdev的高斯随机数(场),当size赋值时,如:size=100,表示返回100个高斯随机数。 y1 = x1 * 0.1 + 0.3 + np.random.normal( 0.0 , 0.03 ) # 后面加的高斯分布为人为噪声 vectors_set.append([x1, y1]) # 生成一些样本 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() # 构造1维的w矩阵,取值是随机初始化权重参数为[-1, 1]之间的随机数 w = tf.Variable(tf.random_uniform([ 1 ], - 1.0 , 1.0 ), name = 'w' ) # 构造1维的b矩阵,初始化为0 b = tf.Variable(tf.zeros([ 1 ]), name = 'b' ) # 建立回归公式,经过计算得出估计值y y = w * x_data + b # 定义loss函数,估计值y和实际值y_data之间的均方误差作为损失 loss = tf.reduce_mean(tf.square(y - y_data), name = 'loss' ) # 采用梯度下降法来优化参数,学习率为0.5 optimizer = tf.train.GradientDescentOptimizer( 0.5 ) # train相当于一个优化器,训练的过程就是最小化loss train = optimizer.minimize(loss, name = 'train' ) sess = tf.Session() # 全局变量的初始化 init = tf.global_variables_initializer() sess.run(init) # 打印初始化的w和b print ( 'w = ' , sess.run(w), 'b = ' , sess.run(b), 'loss = ' , sess.run(loss)) # 训练迭代20次 for step in range ( 20 ): sess.run(train) # 打印训练好的w和b print ( 'w = ' , sess.run(w), 'b = ' , sess.run(b), 'loss = ' , sess.run(loss)) |
代码运行一下,下面这个图就是上面代码刚刚构造的数据点:
有了数据之后,接下来构造线性回归模型,去学习出来这个数据符合什么样的w和b,训练完后看下得到的w和b是不是接近构造数据时的w和b,最后一次结果是w = [ 0.10149562] b = [ 0.29976717] loss = 0.000948041
的,也就是这个线性回归模型学习到了数据的分布规则。也可以看出随着训练次数的迭代,loss值也越来越小,也就是模型越来越好,将训练出来的w和b构造成图中蓝色的线,这条线就是当前最能拟合数据的直线了。运行结果如图所示:
以上就是TensorFlow构造线性回归模型示例教程的详细内容