TensorFlow实现简单线性回归

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

简单的一元线性回归

一元线性回归公式：

其中x是特征：[x1,x2,x3,…,xn,]T

w是权重，b是偏置值

代码实现

导入必须的包

import tensorflow as tf
import matplotlib.pyplot as plt
import numpy as np
import os

# 屏蔽warning以下的日志信息
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

产生模拟数据

def generate_data():
  x = tf.constanhttp://www.cppcns.comt(np.array([i for i in range(0, 100, 5)]).reshape(-1, 1), tf.float32)
  y = tf.add(tf.matmul(x, [[1.3]]) + 1, tf.random_normal([20, 1], stddev=30))
  return x, y

x是100行1列的数据，tf.matmul是矩阵相乘，所以权值设置成二维的。

设置的w是1.3, b是1

实现回归

def myregression():
  """
  自实现线性回归
  :return:
  """
  x, y = generate_data()
  #   建立模型 y = x * w + b
  # w 1x1的二维数据
  w = tf.Variable(tf.random_normal([1, 1], mean=0.0, stddev=1.0), name='weight_a')
  b = tf.Variable(0.0, name='bias_b')

  y_predict = tf.matmul(x, a) + b

  # 建立损失函数
  loss = tf.reduce_mean(tf.square(y_predict - y))
 
  # 训练
  train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss=loss)

  # 初始化全局变量
  init_op = tf.global_variables_initializer()


  with tf.Session() as sess:
    sess.run(init_op)
    print('初始的权重:%f偏置值：%f' % (a.eval(), b.eval()))
 
    # 训练优化
    for i in range(1, 100):
      sess.run(train_op)
      print('第%d次优化的权重:%f偏置值：%f' % (i, a.eval(), b.eval()))
    # 显示回归效果
    show_img(x.eval(), y.eval(), y_predict.eval())

使用matplotlib查看回归效果

def show_img(x, y, y_pre):
  plt.scatter(x, y)
  plt.plot(x, y_pre)
  plt.show()

完整代码

import tensorflow as tf
import matplotlib.pyplot as plt
import numpy as np
import os

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'


def generate_data():
  x = tf.constant(np.array([i for i in range(0, 100, 5)]).reshape(-1, 1), tf.float3编程客栈2)
  y = tf.add(tf.matmul(x, [[1.3]]) + 1, tf.random_normal([20, 1], stddev=30))
  return x, y


def myregression():
  """
  自实现线性回归
  :return:
  """
  x, y = generate_data()
  # 建立模型 y = x * w + b
  w = tf.Variable(tf.random_normal([1, 1], m编程客栈ean=0.0, stddev=1.0), name='weight_a')
  b = tf.Variable(0.0, name='bias_b')

  y_predict = tf.matmul(x, w) + b

  # 建立损失函数
  loss = tf.reduce_mean(tf.square(y_predict - y))
  # 训练
  train_op = tf.train.GradientDescentOptimizer(0.0001).minimize(loss=loss)

  init_op = tf.global_variables_initializer()

  with tf.Session() as sess:
    sess.run(init_op)
    print('初始的权重:%f偏置值：%f' % (w.eval(), b.eval()))
    # 训练优化
    for i in range(1, 35000):
      sess.run(train_op)
      print('第%d次优化的权重:%f偏置值：%f' % (i, w.eval(), b.eval()))
    show_img(x.eval(), y.eval(), y_predict.eval())

www.cppcns.com
def show_img(x, y, y_pre):
  plt.scatter(x, y)
  plt.plot(x, y_pre)
  plt.show()


if __name__ == '__main__':
  myregression()

看看训练的结果（因为数据是随机产生的，每次的训练结果都会不同，可适当调节梯度下降的学习率和训练步数）

35000次的训练结果

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家编程客栈多多支持我们。