TensorFlow--线性回归问题初步
2019独角兽企业重金招聘Python工程师标准>>>
主要学习了使用TensorFlow深度学习系统如何进行训练数据以及预测数据:
import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' import matplotlib.pyplot as plt import numpy as np import tensorflow as tf #导入对应的第三方库 ''' 线性回归实战:TensorFlow''' #设置随机种子 np.random.seed(5)#直接采用np生成等差数列的方法,生成100个点,每个点的取值在-1~1之间#第一步:准备数据 x_data = np.linspace(-1,1,100)# y = 2x+1+噪声 ,其中,噪声的维度与x_data一致y_data = 2 * x_data + 1.0 + np.random.randn(*x_data.shape) * 0.4#画出随机生成数据的散点图 plt.scatter(x_data,y_data) plt.show()#画出我们想要学习到的线性函数y = 2x+1plt.plot(x_data,2 * x_data + 1.0, color = 'red',linewidth = 3)#显示数据集的分布 #plt.show()#第二步:构建模型#定义训练数据的占位符,x是特征值,y是标签值 x = tf.placeholder("float",name = "x") y = tf.placeholder("float",name = "y")#定义模型函数 w和b是模型真正的参数 def model(x,w,b):return tf.multiply(x,w) + b #返回wx +b#定义模型机构 TensorFlow的变量用来更新参数 ''' TensorFlow变量的声明函数是tf.Variable tf.Variable的作用是保存和更新参数 变量的初始值可以是随机数、常数,或是通过其他变量的初始值计算得到 '''#构建线性函数的斜率,变量w w = tf.Variable(1.0,name="w0")#构建线性函数的截距,变量b b = tf.Variable(0.0,name="b0")#pred是预测值,前向计算 pred = model(x,w,b)#第三步:训练模型 #设置训练参数#迭代次数 train_epochs = 10#学习率 learning_rate = 0.05#定义损失函数 #采用均方差作为损失函数 loss_function = tf.reduce_mean(tf.square(y-pred))#选择迭代器 #梯度下降优化器 optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)#声明会话 sess = tf.Session()#变量初始化 init = tf.global_variables_initializer() sess.run(init)#执行训练 #开始训练,轮数为epoch,采用SGD随机梯度下降优化方法 for epoch in range(train_epochs):for xs,ys in zip(x_data,y_data): #训练100次_,loss = sess.run([optimizer,loss_function],feed_dict={x:xs,y:ys})b0temp = b.eval(session = sess)w0temp = w.eval(session = sess)plt.plot(x_data,w0temp * x_data + b0temp)#画图 plt.show()print("w:",sess.run(w))#w的值应该在2附近 print("b:",sess.run(b))#w的值应该在1附近#第四步:进行预测 plt.scatter(x_data,y_data,label = 'Original data') plt.plot(x_data,x_data * sess.run(w) + sess.run(b),label = 'Fitted line',color='r',linewidth = 3) plt.legend(loc = 2) #通过参数loc指定图例位置 plt.show()x_test = 3.21predict = sess.run(pred,feed_dict={x:x_test}) print("预测值:%f" % predict)target = 2 * x_test + 1.0 print("目标值:%f" % target)
输出结果:
这个阶段:需要自己进行消化,多敲几遍这个代码,理解整个过程,为后期的学习打好坚实的基础。
转载于:https://my.oschina.net/u/3183716/blog/2995466
TensorFlow--线性回归问题初步相关推荐
- 线性回归api初步使用
线性回归api初步使用 1 线性回归API sklearn.linear_model.LinearRegression() LinearRegression.coef_:回归系数 2 举例 2.1 步 ...
- tensorflow 线性回归
https://blog.csdn.net/zhangpengzp/article/details/81384154 学习tensorflow,希望与大家共同进步,下面讲述的是如何利用tensorfl ...
- 机器学习算法 09-02 TensorFlow核心概念 TensorFlow基础代码、TensorFlow线性回归解析解和BGD求法
目录 1 核心概念 2 代码流程 3 基础代码: 3.1 tf的版本 定义常量 理解tensor 了解session 3. 2 指定设备. Variable 初始化 . with块创建sess ...
- [tensorflow] 线性回归模型实现
在这一篇博客中大概讲一下用tensorflow如何实现一个简单的线性回归模型,其中就可能涉及到一些tensorflow的基本概念和操作,然后因为我只是入门了点tensorflow,所以我只能对部分代码 ...
- tensorflow线性回归--拟合iris花瓣数据
思路:用线性回归拟合鸢尾花花瓣长度和宽度之间的关系:y = Ax + b,其中 y 时花瓣长度,x是花瓣宽度. 建议有一点 tensorflow 基础再往下看. 下面是代码具体讲解. 先放结果吧 代码 ...
- tensorflow 线性回归 iris
线性拟合?叶子的长宽: # Linear Regression: TensorFlow Way #---------------------------------- # # This functio ...
- python 网页樱花动态图_python,tensorflow线性回归Django网页显示Gif动态图
1.工程组成 2.urls.py """Django_machine_learning_linear_regression URL Configuration The ` ...
- python网页动图_python,tensorflow线性回归Django网页显示Gif动态图
1.工程组成 2.urls.py """Django_machine_learning_linear_regression URL Configuration The ` ...
- tensorflow线性回归基础函数
以下先使用tensorflow 的矩阵乘积,注意不是内积,然后使用基础函数求平方 .平方和.均值,这是使用tensorflow 使用线性回归分析的基础,基础好了,才能走出下一步,要不然怎么数据分析呢, ...
- MOOC网深度学习应用开发1——Tensorflow基础、多元线性回归:波士顿房价预测问题Tensorflow实战、MNIST手写数字识别:分类应用入门、泰坦尼克生存预测
Tensorflow基础 tensor基础 当数据类型不同时,程序做相加等运算会报错,可以通过隐式转换的方式避免此类报错. 单变量线性回归 监督式机器学习的基本术语 线性回归的Tensorflow实战 ...
最新文章
- PHP获取毫秒时间戳,利用microtime()函数
- 如何为计算机视觉任务选择正确的标注类型
- LSMW批处理使用方法(06)_步骤4、5
- printf按8进制、16进制输出
- 如何基于Canal 和 Kafka,实现 MySQL 的 Binlog 近实时同步
- python ant_('python,-ANT--编程字典',)
- NAT负载均衡_ftp
- 读懂mysql慢查询日志
- linux怎么卸载软件 apt,linux安装和卸载软件:sudo apt-get install(remove)
- 七年之后的《深入理解计算机系统》
- 海媚服务器怎么进系统,海媚v3服务器配置
- 开通支付宝小程序收款功能
- 专属于程序员的理财建议,抱走不谢
- Linux配置本地yum源(光盘镜像挂载)
- 互联网高端社畜行话大全(表情包)
- 3、HeidiSQL数据库管理工具下载与安装
- Navigation网站收藏和导航平台
- crt格式证书转pem格式证书
- 微信小程序功能:商品收藏-图片预览-客服-分享-加入购物车
- (转)卡马克卷轴算法研究