TensorFlow實(shí)現(xiàn)簡(jiǎn)單線性回歸

更新時(shí)間：2022年03月30日 14:58:36 作者：kylinxjd

這篇文章主要為大家詳細(xì)介紹了TensorFlow實(shí)現(xiàn)簡(jiǎn)單線性回歸，文中示例代碼介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下

本文實(shí)例為大家分享了TensorFlow實(shí)現(xiàn)簡(jiǎn)單線性回歸的具體代碼，供大家參考，具體內(nèi)容如下

簡(jiǎn)單的一元線性回歸

一元線性回歸公式：

其中x是特征：[x1,x2,x3,…,xn,]T
w是權(quán)重，b是偏置值

代碼實(shí)現(xiàn)

導(dǎo)入必須的包

import tensorflow as tf
import matplotlib.pyplot as plt
import numpy as np
import os

# 屏蔽warning以下的日志信息
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

產(chǎn)生模擬數(shù)據(jù)

def generate_data():
? ? x = tf.constant(np.array([i for i in range(0, 100, 5)]).reshape(-1, 1), tf.float32)
? ? y = tf.add(tf.matmul(x, [[1.3]]) + 1, tf.random_normal([20, 1], stddev=30))
? ? return x, y

x是100行1列的數(shù)據(jù)，tf.matmul是矩陣相乘，所以權(quán)值設(shè)置成二維的。
設(shè)置的w是1.3, b是1

實(shí)現(xiàn)回歸

def myregression():
? ? """
? ? 自實(shí)現(xiàn)線性回歸
? ? :return:
? ? """
? ? x, y = generate_data()
? ? # ? ? 建立模型 ?y = x * w + b
? ? # w 1x1的二維數(shù)據(jù)
? ? w = tf.Variable(tf.random_normal([1, 1], mean=0.0, stddev=1.0), name='weight_a')
? ? b = tf.Variable(0.0, name='bias_b')

? ? y_predict = tf.matmul(x, a) + b

? ? # 建立損失函數(shù)
? ? loss = tf.reduce_mean(tf.square(y_predict - y))
? ??
? ? # 訓(xùn)練
? ? train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss=loss)

? ? # 初始化全局變量
? ? init_op = tf.global_variables_initializer()

??
? ? with tf.Session() as sess:
? ? ? ? sess.run(init_op)
? ? ? ? print('初始的權(quán)重:%f偏置值：%f' % (a.eval(), b.eval()))
? ??
? ? ? ? # 訓(xùn)練優(yōu)化
? ? ? ? for i in range(1, 100):
? ? ? ? ? ? sess.run(train_op)
? ? ? ? ? ? print('第%d次優(yōu)化的權(quán)重:%f偏置值：%f' % (i, a.eval(), b.eval()))
? ? ? ? # 顯示回歸效果
? ? ? ? show_img(x.eval(), y.eval(), y_predict.eval())

使用matplotlib查看回歸效果

def show_img(x, y, y_pre):
? ? plt.scatter(x, y)
? ? plt.plot(x, y_pre)
? ? plt.show()

完整代碼

import tensorflow as tf
import matplotlib.pyplot as plt
import numpy as np
import os

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'


def generate_data():
? ? x = tf.constant(np.array([i for i in range(0, 100, 5)]).reshape(-1, 1), tf.float32)
? ? y = tf.add(tf.matmul(x, [[1.3]]) + 1, tf.random_normal([20, 1], stddev=30))
? ? return x, y


def myregression():
? ? """
? ? 自實(shí)現(xiàn)線性回歸
? ? :return:
? ? """
? ? x, y = generate_data()
? ? # 建立模型 ?y = x * w + b
? ? w = tf.Variable(tf.random_normal([1, 1], mean=0.0, stddev=1.0), name='weight_a')
? ? b = tf.Variable(0.0, name='bias_b')

? ? y_predict = tf.matmul(x, w) + b

? ? # 建立損失函數(shù)
? ? loss = tf.reduce_mean(tf.square(y_predict - y))
? ? # 訓(xùn)練
? ? train_op = tf.train.GradientDescentOptimizer(0.0001).minimize(loss=loss)

? ? init_op = tf.global_variables_initializer()

? ? with tf.Session() as sess:
? ? ? ? sess.run(init_op)
? ? ? ? print('初始的權(quán)重:%f偏置值：%f' % (w.eval(), b.eval()))
? ? ? ? # 訓(xùn)練優(yōu)化
? ? ? ? for i in range(1, 35000):
? ? ? ? ? ? sess.run(train_op)
? ? ? ? ? ? print('第%d次優(yōu)化的權(quán)重:%f偏置值：%f' % (i, w.eval(), b.eval()))
? ? ? ? show_img(x.eval(), y.eval(), y_predict.eval())


def show_img(x, y, y_pre):
? ? plt.scatter(x, y)
? ? plt.plot(x, y_pre)
? ? plt.show()


if __name__ == '__main__':
? ? myregression()

看看訓(xùn)練的結(jié)果（因?yàn)閿?shù)據(jù)是隨機(jī)產(chǎn)生的，每次的訓(xùn)練結(jié)果都會(huì)不同，可適當(dāng)調(diào)節(jié)梯度下降的學(xué)習(xí)率和訓(xùn)練步數(shù)）