欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

TensorFlow神经网络构造线性回归模型示例教程

程序员文章站 2022-03-07 11:38:01
先制作一些数据:import numpy as npimport tensorflow as tfimport matplotlib.pyplot as plt# 随机生成1000个点,围绕在y=0....

先制作一些数据:

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:

TensorFlow神经网络构造线性回归模型示例教程

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:

TensorFlow神经网络构造线性回归模型示例教程 

TensorFlow神经网络构造线性回归模型示例教程

以上就是tensorflow构造线性回归模型示例教程的详细内容,更多关于tensorflow构造线性回归模型的资料请关注其它相关文章!