Tensorflow 深度学习 (一)

初步学习 tensorflow 预测算法 (线性回归方程)

1. 随机生成 1000 个点, 围绕在 y=0.1x+0.3

num_points=1000
vectors_set=[]
for i in range(num_points):
    x1=np.random.normal(0.0,0.55)
    y1=x1*0.1+0.3+np.random.normal(0.0,0.03)
    vectors_set.append([x1,y1])
# 样本生成
x_data=[v[0] for v in vectors_set]
y_data=[v[1] for v in vectors_set]

2. 构建线性回归方程

# 初始化 W
W=tf.Variable(tf.random_uniform([1],-1.0,1.0),name='W')
# 初始化 b
b=tf.Variable(tf.zeros([1]),name='b')
# 构建线性回归方程
y=W*x_data+b

3. 计算损失

# 计算损失 (均方差)
loss=tf.reduce_mean(tf.square(y-y_data),name='loss')

4. 优化参数

# 采用梯度下降方法优化参数
optimizer=tf.train.GradientDescentOptimizer(0.5)
# 训练
train=optimizer.minimize(loss,name='loss')

5. 开始初始化

# 初始化全局
sess=tf.Session()
init=tf.global_variables_initializer()
sess.run(init)

6. 开始训练

# 打印初始化 W,b 和 loss
print("W=",sess.run(W),"b=",sess.run(b),"loss=",sess.run(loss))
# 开始训练
for i in range(20):
    sess.run(train)
    print("W=", sess.run(W), "b=", sess.run(b), "loss=", sess.run(loss))

7. 图表展示

# 图表展示
plt.scatter(x_data,y_data,c='r')
plt.plot(x_data,sess.run(W)*x_data+sess.run(b))
plt.show()

来源: http://www.bubuko.com/infodetail-3716297.html