TF之LiR：基于tensorflow实现机器学习之线性回归算法

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实现机器学习之线性回归算法
import tensorflow as tf
import numpy
import matplotlib.pyplot as pltrng =numpy.random#参数设定
learning_rate=0.01
training_epochs=10000
display_step=50        #每隔50次迭代输出一次
#训练数据
train_X=numpy.asarray([……])
train_Y=numpy.asarray([……])
n_samples=train_X.shape[0]
print("train_X：",train_X)
print("train_Y：",train_Y)  #设置placeholder
X=tf.placeholder("float")
Y=tf.placeholder("float")#设置模型的权重和偏置,因为是不断更新的所以采用Variable定义
W=tf.Variable(rng.randn(),name="weight")
b=tf.Variable(rng.randn(),name="bias")#设置线性回归方程LiR：w*x+b
pred=tf.add(tf.multiply(X,W),b)
cost=tf.reduce_sum(tf.pow(pred-Y,2))/(2*n_samples)  #设置cost为均方差即reduce_sum函数
optimizer=tf.train.GradientDescentOptimizer(learning_rate).minimize(cost) #梯度下降，minimize函数默认下自动修正w和b init=tf.global_variables_initializer() #在session运算时初始化所有变量
#开始训练
with tf.Session() as sess:sess.run(init)                        #运行一下初始化的变量for epoch in range(training_epochs):  #输入所有训练数据for(x,y) in zip(train_X,train_Y):sess.run(optimizer,feed_dict={X:x,Y:y})#打印出每次迭代的log日志，每隔50个打印一次if (epoch+1) % display_step ==0:c=sess.run(cost,feed_dict={X:train_X,Y:train_Y})print("迭代次数Epoch:","%04d" % (epoch+1),"下降值cost=","{:.9f}".format(c),"W=",sess.run(W),"b=",sess.run(b))print("Optimizer Finished!")training_cost=sess.run(cost,feed_dict={X:train_X,Y:train_Y})print("Training cost=",training_cost,"W=",sess.run(W),"b=",sess.run(b))#绘图plt.rcParams['font.sans-serif']=['SimHei']plt.subplot(121)plt.plot(train_X, train_Y, 'ro', label='Original data') plt.plot(train_X, sess.run(W) * train_X + sess.run(b), label='Fitted line')plt.legend() plt.title("TF之LiR：Original data")#测试样本test_X = numpy.asarray([6.83, 4.668, 8.9, 7.91, 5.7, 8.7, 3.1, 2.1]) test_Y = numpy.asarray([1.84, 2.273, 3.2, 2.831,2.92, 3.24, 1.35, 1.03])print("Testing... (Mean square loss Comparison)") testing_cost = sess.run(tf.reduce_sum(tf.pow(pred - Y, 2)) / (2 * test_X.shape[0]), feed_dict={X:test_X,Y:test_Y}) # same function as cost above print("Testing cost=", testing_cost) print("Absolute mean square loss difference:", abs( training_cost - testing_cost)) #绘图plt.subplot(122)plt.plot(test_X, test_Y, 'bo', label='Testing data') plt.plot(train_X, sess.run(W) * train_X + sess.run(b), label='Fitted line')plt.legend() plt.title("TF之LiR：Testing data")plt.show()

迭代次数Epoch: 6300 下降值cost= 0.076938324 W= 0.25199208 b= 0.8008495
……
迭代次数Epoch: 10000 下降值cost= 0.076965131 W= 0.24998894 b= 0.80145526
迭代次数Epoch: 10000 下降值cost= 0.076942705 W= 0.25047526 b= 0.80151606
迭代次数Epoch: 10000 下降值cost= 0.076929517 W= 0.25114807 b= 0.801635
迭代次数Epoch: 10000 下降值cost= 0.076958008 W= 0.25011322 b= 0.8015234
迭代次数Epoch: 10000 下降值cost= 0.076990739 W= 0.24960834 b= 0.80136055
Optimizer Finished!
Training cost= 0.07699074 W= 0.24960834 b= 0.80136055
Testing... (Mean square loss Comparison)
Testing cost= 0.07910849
Absolute mean square loss difference: 0.002117753

TF之LiR：基于tensorflow实现机器学习之线性回归算法相关推荐

Code For Better 谷歌开发者之声----谷歌云基于TensorFlow高级机器学习
目录前言一.End-to-End Machine Learning with TensorFlow on GCP(基于TensorFlow的机器学习) 1.什么是TensorFlow 2.Tens ...
python 预测算法_通过机器学习的线性回归算法预测股票走势（用Python实现）
本文转自博客园,作者为hsm_computer 原文链接:https://www.cnblogs.com/JavaArchitect/p/11717998.html在笔者的新书里,将通过股票案例讲述P ...
通过机器学习的线性回归算法预测股票走势（用Python实现）
在本人的新书里,将通过股票案例讲述Python知识点,让大家在学习Python的同时还能掌握相关的股票知识,所谓一举两得.这里给出以线性回归算法预测股票的案例,以此讲述通过Python的sklearn ...
python计算股票趋势_通过机器学习的线性回归算法预测股票走势（用Python实现）...
1 波士顿房价数据分析安装好Python的Sklearn库后,在安装包下的路径中就能看到描述波士顿房价的csv文件,具体路径是"python安装路径\Lib\site-packages\s ...
python opencv生成tf模型_基于TensorFlow+ Opencv 的人脸识别和模型训练
一.准备工作本次实例的anaconda 环境 (有需要的自己导入anaconda) 链接:https://pan.baidu.com/s/1IVt2ap-NYdg64uHSh-viaA 提取码:g7 ...
基于经典的机器学习k-means聚类算法实现对三通道图片的压缩操作
https://www.toutiao.com/a6573221465104056846/ 压缩图片的原理 k-means算法实现图像的压缩是k-means聚类算法的一个经典的应用,它把一个彩色图压缩 ...
基于TensorFlow的MTCNN人脸检测算法（生成PNet的人脸关键点数据代码注解）
代码源自Github:https://github.com/AITTSMD/MTCNN-Tensorflow 该阶段代码取自 Git主代码目录下 MTCNN-Tensorflow-master / ...
详解机器学习基础--线性回归算法
线性回归解决了什么? 线性回归算法可以帮助解决回归问题,对处理回归问题有着天然的优势,线性回归算法虽然简单,但是对于处理回归问题还是有着比较好的作用线性回归算法思想简单,实现容易,结果具有较好的解释 ...
机器学习------一元线性回归算法
文章目录预测数据型数据:回归回归的含义回归应用线性回归利用Sklearn做线性回归的预测线性回归拟合原理(fit方法) 损失函数梯度下降法梯度下降的分类 "Batch&quo ...

TF之LiR：基于tensorflow实现机器学习之线性回归算法

输出结果

代码设计

TF之LiR：基于tensorflow实现机器学习之线性回归算法相关推荐

最新文章

热门文章