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

更新時(shí)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(jìn)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(jī)生成1000個(gè)點(diǎn)，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(biāo)準(zhǔn)差為stdev的高斯隨機(jī)數(shù)（場），當(dāng)size賦值時(shí)，如：size=100，表示返回100個(gè)高斯隨機(jī)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(jī)初始化權(quán)重參數(shù)為[-1, 1]之間的隨機(jī)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(jì)算得出估計(jì)值y
y = w * x_data +b

# 定義loss函數(shù),估計(jì)值y和實(shí)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(xué)習(xí)率為0.5
optimizer = tf.train.GradientDescentOptimizer(0.5)
# train相當(dāng)于一個(gè)優(yōu)化器，訓(xùn)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(xùn)練迭代20次
for step in range(20):
    sess.run(train)
    # 打印訓(xùn)練好的w和b
    print('w = ', sess.run(w), 'b = ', sess.run(b), 'loss = ', sess.run(loss))

代碼運(yùn)行一下，下面這個(gè)圖就是上面代碼剛剛構(gòu)造的數(shù)據(jù)點(diǎn)：

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(xué)習(xí)出來這個(gè)數(shù)據(jù)符合什么樣的w和b，訓(xùn)練完后看下得到的w和b是不是接近構(gòu)造數(shù)據(jù)時(shí)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(gè)線性回歸模型學(xué)習(xí)到了數(shù)據(jù)的分布規(guī)則。也可以看出隨著訓(xùn)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(xùn)練出來的w和b構(gòu)造成圖中藍(lán)色的線，這條線就是當(dāng)前最能擬合數(shù)據(jù)的直線了。運(yùn)行結(jié)果如圖所示：

這里寫圖片描述

以上就是TensorFlow構(gòu)造線性回歸模型示例教程的詳細(xì)內(nèi)容，更多關(guān)于TensorFlow構(gòu)造線性回歸模型的資料請關(guān)注腳本之家其它相關(guān)文章！

您可能感興趣的文章:

相關(guān)文章

高性能web服務(wù)器框架Tornado簡單實(shí)現(xiàn)restful接口及開發(fā)實(shí)例
Tornado和現(xiàn)在的主流Web服務(wù)器框架（包括大多數(shù)Python的框架）有著明顯的區(qū)別：它是非阻塞式服務(wù)器，而且速度相當(dāng)快。得利于其非阻塞的方式和對epoll的運(yùn)用，Tornado每秒可以處理數(shù)以千計(jì)的連接，這意味著對于實(shí)時(shí)Web服務(wù)來說，Tornado是一個(gè)理想的Web框架。
2014-07-07
Python驗(yàn)證的50個(gè)常見正則表達(dá)式
這篇文章主要給大家介紹了關(guān)于利用Python驗(yàn)證的50個(gè)常見正則表達(dá)式的相關(guān)資料，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧
2021-03-03
Python基于Dlib的人臉識(shí)別系統(tǒng)的實(shí)現(xiàn)
這篇文章主要介紹了Python基于Dlib的人臉識(shí)別系統(tǒng)的實(shí)現(xiàn)，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧
2020-02-02
python3.7+anaconda 安裝opencv和dlib的問題及解決方法
這篇文章主要介紹了python3.7+anaconda 安裝opencv和dlib的問題及解決方法,本文圖文并茂給大家介紹的非常詳細(xì)，對大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值，需要的朋友可以參考下
2021-08-08
Python利用matplotlib實(shí)現(xiàn)餅圖繪制
Pyplot作為Matplotlib的子庫，提供了和MATLAB差不多的繪圖API。因此Pyplot作為常用的繪圖模塊，能很方便讓用戶繪制2D圖表。本文將為大家介紹如何利用Matplotlib繪制餅圖，感興趣的小伙伴可以了解一下
2021-12-12
Python調(diào)整matplotlib圖片大小的3種方法匯總
我們在使用matplotlib作圖時(shí),會(huì)遇到圖片不清晰或者圖片大小不是我們想要的,這個(gè)時(shí)候就需要調(diào)整下,這篇文章主要給大家介紹了關(guān)于Python調(diào)整matplotlib圖片大小的3種方法,文中通過實(shí)例代碼介紹的非常詳細(xì),需要的朋友可以參考下
2022-08-08
一文學(xué)會(huì)利用python解決文章付費(fèi)限制問題
本篇文章主要介紹利用Python爬蟲爬取付費(fèi)文章，適合練習(xí)爬蟲基礎(chǔ)同學(xué)，文中描述和代碼示例很詳細(xì)，干貨滿滿，感興趣的小伙伴快來一起學(xué)習(xí)吧
2023-05-05
python tkinter 設(shè)置窗口大小不可縮放實(shí)例
這篇文章主要介紹了python tkinter 設(shè)置窗口大小不可縮放實(shí)例，具有很好的參考價(jià)值，希望對大家有所幫助。一起跟隨小編過來看看吧
2020-03-03
微信跳一跳python輔助軟件思路及圖像識(shí)別源碼解析
這篇文章主要介紹了微信跳一跳python輔助軟件思路及圖像識(shí)別源碼解析,需要的朋友可以參考下
2018-01-01
pandas DataFrame索引行列的實(shí)現(xiàn)
這篇文章主要介紹了pandas DataFrame索引行列的實(shí)現(xiàn)，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧
2019-06-06