TensorFlow神經(jīng)網(wǎng)絡構(gòu)造線性回歸模型示例教程

更新時間：2021年11月03日 16:46:56 作者：零尾

這篇文章主要為大家介紹了TensorFlow構(gòu)造線性回歸模型示例教程，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步

先制作一些數(shù)據(jù)：

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(shù)（場），當size賦值時，如：size=100，表示返回100個高斯隨機數(shù)。
    y1 = x1 * 0.1 + 0.3 + np.random.normal(0.0, 0.03)
    # 后面加的高斯分布為人為噪聲
    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(gòu)造1維的w矩陣，取值是隨機初始化權(quán)重參數(shù)為[-1, 1]之間的隨機數(shù)
w = tf.Variable(tf.random_uniform([1], -1.0, 1.0), name='w')
# 構(gòu)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(jīng)過計算得出估計值y
y = w * x_data +b

# 定義loss函數(shù),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(yōu)化參數(shù)，學習率為0.5
optimizer = tf.train.GradientDescentOptimizer(0.5)
# train相當于一個優(yōu)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(gòu)造的數(shù)據(jù)點：

這里寫圖片描述

有了數(shù)據(jù)之后，接下來構(gòu)造線性回歸模型，去學習出來這個數(shù)據(jù)符合什么樣的w和b，訓練完后看下得到的w和b是不是接近構(gòu)造數(shù)據(jù)時的w和b，最后一次結(jié)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了數(shù)據(jù)的分布規(guī)則。也可以看出隨著訓練次數(shù)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(gòu)造成圖中藍色的線，這條線就是當前最能擬合數(shù)據(jù)的直線了。運行結(jié)果如圖所示：

這里寫圖片描述