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.constant(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

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.float32)
? ? 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], mean=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())


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，也希望大家多多支持。

查看更多关于TensorFlow实现简单线性回归的详细内容...