TensorFlow之构建线性回归模型

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

#用TensorFlow构造线性回归模型

#随机生成1000个点，围绕在y=0.1x+0.3直线周围--目的是生成数据点，然后用TensorFlow去建立一个回归模型，然后去找出什么样的w和b能够更好地拟合数据
num_points=1000;
vectors_set=[]
for i in range(num_points):
    x1=np.random.normal(0.0,0.55)#高斯随机，以0为均值，以0.55为标准差
    y1=x1*0.1+0.3+np.random.normal(0.0,0.03)#加上小范围的浮动
    vectors_set.append([x1,y1])

x_data=[v[0] for v in vectors_set]
y_data=[v[1] for v in vectors_set]

plt.scatter(x_data,y_data,c='r')
plt.show()

#有了数据，开始构造模型
W=tf.Variable(tf.random_uniform([1],-1.0,1.0),name='W')#随机初始化，生成一维的矩阵，取值是[-1,1]之间的随机数,产生的值是均匀分布的
b=tf.Variable (tf.zeros([1]),name='b')#生成一维的b矩阵，初始值为0
y=W*x_data +b

#以预估值y和实际值y_data之间的均方误差作为损失
loss =tf.reduce_mean(tf.square(y-y_data),name='loss')
'''
tensorflow中有一类在tensor的某一维度上求值的函数。如：
求最大值tf.reduce_max(input_tensor, reduction_indices=None, keep_dims=False, name=None)
求平均值tf.reduce_mean(input_tensor, reduction_indices=None, keep_dims=False, name=None)
参数1--input_tensor:待求值的tensor。
参数2--reduction_indices:在哪一维上求解
'''
#采用梯度下降来优化参数
optimizer=tf.train.GradientDescentOptimizer(0.5)
'''
tensorflow提供了多种optimizer，典型梯度下降GradientDescent和Adagrad、Momentum、Nestrov、Adam等变种
'''
#tf.train.GradientDescentOptimizer()使用随机梯度下降算法，使参数沿着 梯度的反方向，即总损失减小的方向移动，实现更新参数.里面的参数是步长（学习率）
#训练的过程就是最小化这个误差值
train=optimizer.minimize(loss,name='train')

sess=tf.Session()
init = tf.global_variables_initializer ()
sess.run(init)

#看一看初始化的w和b是多少
print("初始化：","W=", sess.run(W),"b=", sess.run(b),"loss=", sess.run(loss))

#执行30次的训练
for step in range(30):
    sess.run(train)
    #输出经过训练的w和b
    print("W=", sess.run(W), "b=", sess.run(b), "loss=", sess.run(loss))#看w是不是越来越接近0.1，b是不是越接近0.3

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

最终模型拟合结果：