利用TensorFlow實現線性迴歸模型

準備資料：

import numpy as np
import tensorflow as tf
import matplotlib.pylot as plt

# 隨機生成1000個點，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)
y1 = x1 * 0.1 + 0.3 + np.random.normal(0.0, 0.03)
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()

 

實現線性迴歸：

# 生成1維W矩陣，取值是[-1, 1]之間的隨機數
W = tf.Variable(tf.random_uniform([1], -1.0, 1.0), name='W')
# 生成1維b矩陣，初始值是0
b = tf.Variable(tf.zeros([1]), name='b')
# 經過計算取得預估值y
y = W * x_data + b

# 以預估值y和實際值y_data之間的均方誤差作為損失
loss = tf.reduce_mean(tf.square(y - y_data), name='loss')
# 採用梯度下降法來最佳化引數
optimizer = tf.train.GradientDescentOptimizer(0.5)
# 訓練的過程就是最小化這個誤差值
train = optimizer.minimize(loss, name='train')

sess = tf.Session()        #這種定義session的方法也可以，但是不推薦。
init = tf.global_variables_initializer()
sess.run(init)

# 初始化的w和b是多少
print("W=", sess.run(W), "b=", sess.run(b), "loss=", sess.run(loss))
# 執行20次訓練
for step in range(20):
sess.run(train)
# 輸出訓練好的W和b
print("W=", sess.run(W), "b=", sess.run(b), "loss=", sess.run(loss))