使用TensorFlow实现简单的线性拟合

本文使用TensorFlow实现最简单的线性回归模型。

线性拟合\(y=2.7x+0.6\)，代码如下:

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

n = 201    # x点数
X = np.linspace(-1, 1, n)[:,np.newaxis]    # 等差数列构建X，[:,np.newaxis]这个是shape，这一行构建了一个n维列向量（[1,n]的矩阵）
noise = np.random.normal(0, 0.5, X.shape)    # 噪声值，与X同型
Y = X*2.7 + 0.6 + noise    # Y

xs = tf.placeholder(tf.float32, [None, 1])    # 下面两行是占位符tf.placeholder(dtype, shape)
ys = tf.placeholder(tf.float32, [None, 1])

w = tf.Variable(1.1)    # 这两行是weight变量，bias变量，括号中是初始值
b = tf.Variable(0.2)

ypredict = tf.add(w*xs,b)    # 根据 w, b 产生的预测值

loss = tf.reduce_sum(tf.pow(ys-ypredict,2.0))/n    # 损失函数，tf.reduce_sum()按某一维度元素求和，默认为按列

optimizer = tf.train.GradientDescentOptimizer(0.01).minimize(loss)    # 梯度下降优化器，0.01学习率，最小化losss

init = tf.global_variables_initializer()    # 初始化所有变量

with tf.Session() as sess: 
    sess.run(init)    # 运行初始化 
    for i in range (1000):    # 迭代1000次 
        sess.run(optimizer, feed_dict = {xs:X,ys:Y})    # 运行优化器，梯度下降用到loss，计算loss需要xs, ys所以后面需要feed_dict 
        if i%50==0:    # 每隔50次迭代输出w,b,loss
                 # 下面sess.run(w),sess.run(b)里面没有feed_dict是因为打印w,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))    # 运行迭代之后绘制拟合曲线，这需要在sess里面运行是因为要用到w,b 
    plt.scatter(X,Y)    # 绘制被拟合数据（散点） 
    plt.show()    # 绘制图像

结果：

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