tensorflow构造线性回归模型

淡淡的烟草味﹌ 2023-07-11 08:42 209阅读 0赞

小彩笔的摸爬滚打之路orz

  1. import numpy as np
  2. import tensorflow as tf
  3. import matplotlib.pyplot as plt
  5. # 随机生成1000个点，围绕在y=0.1x+0.3的直线周围
  6. num_points = 1000
  7. vectors_set = []
  8. for i in range(num_points):
  9.     x1 = np.random.normal(0.0, 0.55)
  10.     y1 = x1 * 0.1 + 0.3 + np.random.normal(0.0, 0.03)
  11.     vectors_set.append([x1, y1])
  13. # 生成一些样本
  14. x_data = [v[0] for v in vectors_set]
  15. y_data = [v[1] for v in vectors_set]
  17. plt.scatter(x_data,y_data,c='r')
  18. plt.show()

在这里插入图片描述
tf.random_uniform 函数

  1. random_uniform(
  2.     shape,
  3.     minval=0,
  4.     maxval=None,
  5.     dtype=tf.float32,
  6.     seed=None,
  7.     name=None
  8. )

从均匀分布中输出随机值。
生成的值在该 [minval, maxval) 范围内遵循均匀分布.下限 minval 包含在范围内,而上限 maxval 被排除在外。
对于浮点数,默认范围是 [0, 1).对于整数,至少 maxval 必须明确地指定。
在整数情况下,随机整数稍有偏差,除非 maxval - minval 是 2 的精确幂.对于maxval - minval 的值,偏差很小,明显小于输出(2 ** 32 或者 2 ** 64)的范围。
参数：

  • shape：一维整数张量或 Python 数组.输出张量的形状.
  • minval：dtype 类型的 0-D 张量或 Python 值；生成的随机值范围的下限；默认为0.
  • maxval：dtype 类型的 0-D 张量或 Python 值.要生成的随机值范围的上限.如果 dtype 是浮点,则默认为1 .
  • dtype：输出的类型：float16、float32、float64、int32、orint64.
  • seed：一个 Python 整数.用于为分布创建一个随机种子.查看 tf.set_random_seed 行为.
  • name：操作的名称(可选).

返回：
用于填充随机均匀值的指定形状的张量.
可能引发的异常：
ValueError：如果 dtype 是整数并且 maxval 没有被指定.

  1. # 生成1维的W矩阵，取值是[-1,1]之间的随机数
  2. W = tf.Variable(tf.random_uniform([1], -1.0, 1.0), name='W')
  3. # 生成1维的b矩阵，初始值是0
  4. b = tf.Variable(tf.zeros([1]), name='b')
  5. # 经过计算得出预估值y
  6. y = W * x_data + b
  8. # 以预估值y和实际值y_data之间的均方误差作为损失
  9. loss = tf.reduce_mean(tf.square(y - y_data), name='loss')
  10. # 采用梯度下降法来优化参数
  11. optimizer = tf.train.GradientDescentOptimizer(0.5)
  12. # 训练的过程就是最小化这个误差值
  13. train = optimizer.minimize(loss, name='train')
  15. sess = tf.Session()
  17. init = tf.global_variables_initializer()
  18. sess.run(init)
  20. # 初始化的W和b是多少
  21. print ("W =", sess.run(W), "b =", sess.run(b), "loss =", sess.run(loss))
  22. # 执行20次训练
  23. for step in range(20):
  24.     sess.run(train)
  25.     # 输出训练好的W和b
  26.     print ("W =", sess.run(W), "b =", sess.run(b), "loss =", sess.run(loss))
  27. writer = tf.summary.FileWriter("./tmp", sess.graph)

在这里插入图片描述

  1. plt.scatter(x_data,y_data,c='r')
  2. plt.plot(x_data,sess.run(W)*x_data+sess.run(b))
  3. plt.show()

在这里插入图片描述

发表评论

表情：
评论列表 （有 0 条评论，209人围观）

还没有评论，来说两句吧...

相关阅读