溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
本文實例為大家分享了tensorflow實現線性回歸的具體代碼，供大家參考，具體內容如下
一、隨機生成1000個點，分布在y=0.1x+0.3直線周圍，并畫出來
import tensorflow as tf import numpy as np import matplotlib.pyplot as plt num_points = 1000 vectors_set = [] for i in range(num_points): x1 = np.random.normal(0.0,0.55) //設置一定范圍的浮動 y1 = x1*0.1+0.3+np.random.normal(0.0,0.03) vectors_set.append([x1,y1]) 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()
二、構造線性回歸函數
#生成一維的w矩陣，取值為[-1，1]之間的隨機數
w = tf.Variable(tf.random_uniform([1],-1.0,1.0),name='W')
#生成一維的b矩陣，初始值為0
b = tf.Variable(tf.zeros([1]),name='b')
y = w*x_data+b
#均方誤差
loss = tf.reduce_mean(tf.square(y-y_data),name='loss')
#梯度下降
optimizer = tf.train.GradientDescentOptimizer(0.5)
#最小化loss
train = optimizer.minimize(loss,name='train')
sess=tf.Session()
init = tf.global_variables_initializer()
sess.run(init)
#print("W",sess.run(w),"b=",sess.run(b),"loss=",sess.run(loss))
for step in range(20):
sess.run(train)
print("W=",sess.run(w),"b=",sess.run(b),"loss=",sess.run(loss))
//顯示擬合后的直線
plt.scatter(x_data,y_data,c='r')
plt.plot(x_data,sess.run(w)*x_data+sess.run(b))
plt.show()
三、部分訓練結果如下：
W= [ 0.10559751] b= [ 0.29925063] loss= 0.000887708 W= [ 0.10417549] b= [ 0.29926425] loss= 0.000884275 W= [ 0.10318361] b= [ 0.29927373] loss= 0.000882605 W= [ 0.10249177] b= [ 0.29928035] loss= 0.000881792 W= [ 0.10200921] b= [ 0.29928496] loss= 0.000881397 W= [ 0.10167261] b= [ 0.29928818] loss= 0.000881205 W= [ 0.10143784] b= [ 0.29929042] loss= 0.000881111 W= [ 0.10127408] b= [ 0.29929197] loss= 0.000881066
擬合后的直線如圖所示：
結論：最終w趨近于0.1，b趨近于0.3，滿足提前設定的數據分布
以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持億速云。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
