TensorFlow神經網絡構造線性回歸模型示例教程

先制作一些數據:

import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
# 隨機生成1000個點,圍繞在y=0.1x+0.3的直線周圍
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)給出均值為mean,標準差為stdev的高斯隨機數(場),當size賦值時,如:size=100,表示返回100個高斯隨機數。
    y1 = x1 * 0.1 + 0.3 + np.random.normal(0.0, 0.03)
    # 後面加的高斯分佈為人為噪聲
    vectors_set.append([x1, y1])
# 生成一些樣本
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()
# 構造1維的w矩陣,取值是隨機初始化權重參數為[-1, 1]之間的隨機數
w = tf.Variable(tf.random_uniform([1], -1.0, 1.0), name='w')
# 構造1維的b矩陣,初始化為0
b = tf.Variable(tf.zeros([1]), name='b')
# 建立回歸公式,經過計算得出估計值y
y = w * x_data +b

# 定義loss函數,估計值y和實際值y_data之間的均方誤差作為損失
loss = tf.reduce_mean(tf.square(y - y_data), name='loss')
# 采用梯度下降法來優化參數,學習率為0.5
optimizer = tf.train.GradientDescentOptimizer(0.5)
# train相當於一個優化器,訓練的過程就是最小化loss
train = optimizer.minimize(loss, name='train')
sess = tf.Session()
# 全局變量的初始化
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))
# 訓練迭代20次
for step in range(20):
    sess.run(train)
    # 打印訓練好的w和b
    print('w = ', sess.run(w), 'b = ', sess.run(b), 'loss = ', sess.run(loss))

代碼運行一下,下面這個圖就是上面代碼剛剛構造的數據點:

這裡寫圖片描述

有瞭數據之後,接下來構造線性回歸模型,去學習出來這個數據符合什麼樣的w和b,訓練完後看下得到的w和b是不是接近構造數據時的w和b,最後一次結果是w = [ 0.10149562] b = [ 0.29976717] loss = 0.000948041的,也就是這個線性回歸模型學習到瞭數據的分佈規則。也可以看出隨著訓練次數的迭代,loss值也越來越小,也就是模型越來越好,將訓練出來的w和b構造成圖中藍色的線,這條線就是當前最能擬合數據的直線瞭。運行結果如圖所示:

這裡寫圖片描述 

這裡寫圖片描述

以上就是TensorFlow構造線性回歸模型示例教程的詳細內容,更多關於TensorFlow構造線性回歸模型的資料請關註WalkonNet其它相關文章!

推薦閱讀: