用tensorflow实现线性回归算法

使用scikit learn的内建iris数据集。用数据点（x代表花瓣宽度，y代表花瓣长度）找到最优直线。

1.导入必要的编程库，创建计算图，加载数据集。

>>> import matplotlib.pyplot as plt
>>> import numpy as np
>>> import tensorflow as tf
>>> from sklearn import datasets
>>> from tensorflow.python.framework import ops
>>> ops.reset_default_graph()

>>> sess=tf.Session()

>>> iris=datasets.load_iris()

>>> x_vals=np.array([x[3] for x in iris.data])

>>> y_vals=np.array([y[0] for y in iris.data])

2.声明学习率、批量大小、占位符和模型变量

>>> x_vals=np.array([x[3] for x in iris.data])
>>> y_vals=np.array([y[0] for y in iris.data])
>>> learning_rate=0.05
>>> batch_size=25
>>> x_data=tf.placeholder(shape=[None,1],dtype=tf.float32)
>>> y_target=tf.placeholder(shape=[None,1],dtype=tf.float32)
>>> A=tf.Variable(tf.random_normal(shape=[1,1]))

>>> b=tf.Variable(tf.random_normal(shape=[1,1]))

3.增加线性模型，y=Ax+b

>>> model_output=tf.add(tf.matmul(x_data,A),b)

4.声明L2损失函数，其为批量损失的平均值。初始化变量，声明优化器。

>>> loss=tf.reduce_mean(tf.square(y_target-model_output))
>>> init=tf.global_variables_initializer()
>>> sess.run(init)
>>> my_opt=tf.train.GradientDescentOptimizer(learning_rate)

>>> train_step=my_opt.minimize(loss)

5.遍历迭代，并在随机选择的批量数据上进行模型训练。迭代100次，每25次迭代输出变量值和损失值。

注意：保存每次迭代的损失值，将其用于后续的可视化

>>> loss_vec=[]

>>> for i in range(100):
... rand_index=np.random.choice(len(x_vals),size=batch_size)
... rand_x=np.transpose([x_vals[rand_index]])
... rand_y=np.transpose([y_vals[rand_index]])
... sess.run(train_step,feed_dict={x_data:rand_x,y_target:rand_y})
... temp_loss=sess.run(loss,feed_dict={x_data:rand_x,y_target:rand_y})
... loss_vec.append(temp_loss)
... if (i+1)%25==0:
... print('Step #'+str(i+1)+'A='+str(sess.run(A))+'b='+str(sess.run(b)))
... print('Loss='+str(temp_loss))
...
Step #25A=[[2.1689417]]b=[[2.9067767]]
Loss=0.9575598
Step #50A=[[1.6556607]]b=[[3.6350703]]
Loss=0.5116888
Step #75A=[[1.3509697]]b=[[4.1133633]]
Loss=0.39227816
Step #100A=[[1.1751562]]b=[[4.356544]]

Loss=0.31387034

6.抽取系数，创建最佳拟合直线

>>> [slope]=sess.run(A)
>>> [y_intercept]=sess.run(b)
>>> best_fit=[]
>>> for i in x_vals:
... best_fit.append(slope*i+y_intercept)

...

7.绘制你喝的直线和L2正则损失函数

>>> plt.plot(x_vals,y_vals,'o',label='Data Points')
[<matplotlib.lines.Line2D object at 0x000002216124B518>]
>>> plt.plot(x_vals,best_fit,'r-',label='Best fit line',linewidth=3)
[<matplotlib.lines.Line2D object at 0x0000022159E49128>]
>>> plt.legend(loc='upper left')
<matplotlib.legend.Legend object at 0x000002216124BD30>
>>> plt.title('Sepal Length vs Pedal Width')
Text(0.5,1,'Sepal Length vs Pedal Width')
>>> plt.xlabel('Pedal Width')
Text(0.5,0,'Pedal Width')
>>> plt.ylabel('Sepal Length')
Text(0,0.5,'Sepal Length')

>>> plt.show()

>>> plt.plot(loss_vec,'k-')
[<matplotlib.lines.Line2D object at 0x0000022160D0AEF0>]
>>> plt.title('L2 Loss per Generation')
Text(0.5,1,'L2 Loss per Generation')
>>> plt.xlabel('Generation')
Text(0.5,0,'Generation')
>>> plt.ylabel('L2 Loss')
Text(0,0.5,'L2 Loss')

>>> plt.show()

用tensorflow实现线性回归算法相关推荐

TensorFlow——实现线性回归算法
import tensorflow as tf import numpy as np import matplotlib.pyplot as plt#使用numpy生成200个随机点 x_data=n ...
TF之LiR：基于tensorflow实现机器学习之线性回归算法
TF之LiR:基于tensorflow实现机器学习之线性回归算法目录输出结果代码设计输出结果代码设计 # -*- coding: utf-8 -*-#TF之LiR:基于tensorflow实 ...
Pytorch和Tensorflow在10000*1000数据规模线性回归算法中的运算速度对比
Pytorch和Tensorflow在10000*1000数据规模线性回归算法中的运算速度对比因为在学习人工智能相关知识,于是将学习过程与程序放在这里,希望对大家有帮助,共同学习,共同进步(不喜勿喷 ...
Tensorflow实现线性回归
Tensorflow实现线性回归线性回归理论以及公式: 目标公式: y=w1x1+w2x2+⋯+wnxn+by=w1x1+w2x2+⋯+wnxn+b y=w_1x_1+w_2x_2+\cdots+w ...
利用TensorFlow解决线性回归问题
利用TensorFlow解决线性回归问题 1．导入必要的库 import tensorflow as tf 在之前的基础上,还需要导入TensorFlow的库. 2．创建一个训练函数 def trai ...
线性回归算法原理及实现
我们之前介绍了几种机器学习算法,这些机器学习算法都是用来进行分类的.今天换换口味,我们来了解一下如何进行回归,回归是基于已有的数据对新的数据进行预测,比如预测产品销量. 我们来看看最简单的线性回归,基 ...
TensorFlow反向传播算法实现
TensorFlow反向传播算法实现反向传播(BPN)算法是神经网络中研究最多.使用最多的算法之一,用于将输出层中的误差传播到隐藏层的神经元,然后用于更新权重. 学习 BPN 算法可以分成以下两个过 ...
TensorFlow简单线性回归
TensorFlow简单线性回归将针对波士顿房价数据集的房间数量(RM)采用简单线性回归,目标是预测在最后一列(MEDV)给出的房价. 波士顿房价数据集可从http://lib.stat.cmu.e ...
【机器学习入门】(8) 线性回归算法：正则化、岭回归、实例应用(房价预测)附python完整代码和数据集
各位同学好,今天我和大家分享一下python机器学习中线性回归算法的实例应用,并介绍正则化.岭回归方法.在上一篇文章中我介绍了线性回归算法的原理及推导过程:[机器学习](7) 线性回归算法:原理.公式 ...
【机器学习入门】(7) 线性回归算法：原理、公式推导、损失函数、似然函数、梯度下降
各位同学好,今天我和大家分享一下python机器学习中的线性回归算法.内容有: (1) 线性回归方程.(2) 损失函数推导.(3) 似然函数.(4) 三种梯度下降方法 1. 概念简述线性回归是通过一 ...

用tensorflow实现线性回归算法

用tensorflow实现线性回归算法相关推荐

最新文章

热门文章