TensorFlow实现简单线性回归

• • 实验主题-TensorFlow实现简单线性回归
  • 案例实现
  • 实验效果

这两个变量之间的关系是线性的。如果y是因变量x的变化而变化，那么可将x认为是自变量，那么两个变量的线性回归关系将如下式所示：

y = w*x + b

接下来将设计一种线性回归算法。需要了解以下两个重要概念

• 成本函数
• 梯度下降算法

线性回归方程的图形视图如下所述

设计线性回归算法的核心代码如下

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

#定义训练数据
train_x = np.linspace(-1,1,100)
train_y = 3*train_x + np.random.randn(*train_x.shape)*0.33 + 10

#定义输入输出
x = tf.placeholder(dtype=tf.float32)
y_ = tf.placeholder(dtype=tf.float32)

#定义权值和偏置
w = tf.Variable(0.0,name="weight")
b = tf.Variable(0.0,name="bias")

#定义预测输出
y = w*x + b

#定义损失函数和反向传播算法
loss = tf.square(y-y_)
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(loss)

#创建会话
with tf.Session() as sess:
    sess.run(tf.initialize_all_variables())

    plt.ion()  # 打开互交模式

    for i in range(10):
        for (X,Y) in zip(train_x,train_y):
            _,w_value,b_value = sess.run([train_step,w,b],feed_dict={x:X,y_:Y})
        print("step:{},w:{},b:{}".format(i+1,w_value,b_value))

        plt.plot(train_x,train_y,'+')
        plt.plot(train_x,w.eval()*train_x+b.eval())
        # 暂停
        plt.pause(0.5)