TensorFlow神经网络构造线性回归模型示例教程

这篇文章主要为大家介绍了TensorFlow构造线性回归模型示例教程，有需要的朋友可以借鉴参考下，希望能够有所帮助，祝大家多多进步

先制作一些数据：

 import numpy as np import tensorflow as tf import matplotlib.pyplot as plt # 随机生成1000个点，围绕在y=0.1x+0.3的直线周围 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)给出均值为mean，标准差为stdev的高斯随机数（场），当size赋值时，如：size=100，表示返回100个高斯随机数。 y1 = x1 * 0.1 + 0.3 + np.random.normal(0.0, 0.03) # 后面加的高斯分布为人为噪声 vectors_set.append([x1, y1]) # 生成一些样本 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() # 构造1维的w矩阵，取值是随机初始化权重参数为[-1, 1]之间的随机数 w = tf.Variable(tf.random_uniform([1], -1.0, 1.0), name='w') # 构造1维的b矩阵，初始化为0 b = tf.Variable(tf.zeros([1]), name='b') # 建立回归公式，经过计算得出估计值y y = w * x_data +b # 定义loss函数,估计值y和实际值y_data之间的均方误差作为损失 loss = tf.reduce_mean(tf.square(y - y_data), name='loss') # 采用梯度下降法来优化参数，学习率为0.5 optimizer = tf.train.GradientDescentOptimizer(0.5) # train相当于一个优化器，训练的过程就是最小化loss train = optimizer.minimize(loss, name='train') sess = tf.Session() # 全局变量的初始化 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)) # 训练迭代20次 for step in range(20): sess.run(train) # 打印训练好的w和b print('w = ', sess.run(w), 'b = ', sess.run(b), 'loss = ', sess.run(loss))

代码运行一下，下面这个图就是上面代码刚刚构造的数据点：

这里写图片描述

有了数据之后，接下来构造线性回归模型，去学习出来这个数据符合什么样的w和b，训练完后看下得到的w和b是不是接近构造数据时的w和b，最后一次结果是w = [ 0.10149562] b = [ 0.29976717] loss = 0.000948041的，也就是这个线性回归模型学习到了数据的分布规则。也可以看出随着训练次数的迭代，loss值也越来越小，也就是模型越来越好，将训练出来的w和b构造成图中蓝色的线，这条线就是当前最能拟合数据的直线了。运行结果如图所示：

这里写图片描述