import tensorflow as tf
import numpy as np
import random
#create data
x_data = np.random.rand(
100)
.astype(np.float32)
# 使用numpy生成100個隨機點
noise = np.random.normal(loc=
0, scale=
0.005
, size=x_data.shape)
# 生成標準正態分佈
y_data = x_data*
0.1+
0.3+ noise
# 搭建模型
weights = tf.variable(tf.random_uniform([1
],-1.0
,1.0))
#[1]表示張量形狀
bias = tf.variable(tf.zeros([1
]))# [1]表示張量形狀
y = weights*x_data + bias
# 計算誤差
loss = tf.reduce_mean(tf.square(y-y_data)
)# 均方誤差mse
# 傳播誤差
# 反向傳播由optimizer完成，可以用梯度下降進行引數更新
optimizer = tf.train.gradientdescentoptimizer(
0.5)
train = optimizer.minimize(loss)
# 訓練
# 首先初始化所有變數
init = tf.global_variables_initializer(
)# 建立會話session
sess = tf.session(
)sess.run(init)
# 用session來執行init初始化步驟
for step in
range
(201):
# 201是迭代次數
sess.run(train)
# 用session來run每次training的資料
if step%
20==0:
# 每20步列印一下訓練資訊
print
(step, sess.run(weights)
, sess.run(bias)
)
0 [0.5786313] [0.04093613]
20 [0.22345346] [0.23119761]
40 [0.13341352] [0.28108537]
60 [0.11040851] [0.2938316]
80 [0.10453079] [0.2970882]
100 [0.10302906] [0.2979203]
120 [0.10264537] [0.29813287]
140 [0.1025473] [0.2981872]
160 [0.10252227] [0.29820108]
180 [0.10251586] [0.29820463]
200 [0.10251423] [0.29820552]
import matplotlib.pyplot as plt
# 把隨機在座標軸中列印出來
plt.xlabel(
"x")
plt.ylabel(
"y")
plt.title(
"linear regression"
)plt.scatter(x_data, y_data)
# 用最終訓練的模型輸出結果，在圖上顯示
plt.plot(x_data, sess.run(weights)
* x_data + sess.run(bias)
,'r--'
, label=
'擬合資料'
用TensorFlow實現簡單線性回歸
使用tensorflow 構造乙個神經元，簡單的線性回歸網路。問題 現有一組有雜訊的樣本資料，共2000個，每乙個樣本 x 有 3 個特徵，對應乙個標籤 y 值。從資料樣本中學習 y w x b y w times x b y w x b 中的引數 首先我們來生成樣本資料，w real 和 b re...
TensorFlow實現乙個簡單線性回歸的例子
1 author wsx 2import tensorflow as tf 3import numpy as np 4import matplotlib.pyplot as plt 56 x data np.linspace 0.5,0.5,200 np.newaxis 0.5 0.5 之間產生20...
基於tensorflow的簡單線性回歸模型
usr local bin python3 ljj 1 linear regression model import tensorflow as tf import matplotlib.pyplot as plt 訓練樣本，隨手寫的 x 11,14,22,29,32,40,44,55,59,60,...