tensorflow构造线性回归模型

淡淡的烟草味﹌ 2023-07-11 08:42 144阅读 0赞

小彩笔的摸爬滚打之路orz

import numpy as np
    import tensorflow as tf
    import matplotlib.pyplot as plt
    
    # 随机生成1000个点，围绕在y=0.1x+0.3的直线周围
    num_points = 1000
    vectors_set = []
    for i in range(num_points):
        x1 = np.random.normal(0.0, 0.55)
        y1 = x1 * 0.1 + 0.3 + np.random.normal(0.0, 0.03)
        vectors_set.append([x1, y1])
    
    # 生成一些样本
    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()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjI2MDEwMg_size_16_color_FFFFFF_t_70]  
tf.random\_uniform 函数

random_uniform(
        shape,
        minval=0,
        maxval=None,
        dtype=tf.float32,
        seed=None,
        name=None
    )

从均匀分布中输出随机值。  
生成的值在该 \[minval, maxval) 范围内遵循均匀分布.下限 minval 包含在范围内,而上限 maxval 被排除在外。  
对于浮点数,默认范围是 \[0, 1).对于整数,至少 maxval 必须明确地指定。  
在整数情况下,随机整数稍有偏差,除非 maxval - minval 是 2 的精确幂.对于maxval - minval 的值,偏差很小,明显小于输出(2 \*\* 32 或者 2 \*\* 64)的范围。  
参数：

*  shape：一维整数张量或 Python 数组.输出张量的形状.
 *  minval：dtype 类型的 0-D 张量或 Python 值；生成的随机值范围的下限；默认为0.
 *  maxval：dtype 类型的 0-D 张量或 Python 值.要生成的随机值范围的上限.如果 dtype 是浮点,则默认为1 .
 *  dtype：输出的类型：float16、float32、float64、int32、orint64.
 *  seed：一个 Python 整数.用于为分布创建一个随机种子.查看 tf.set\_random\_seed 行为.
 *  name：操作的名称(可选).

返回：  
用于填充随机均匀值的指定形状的张量.  
可能引发的异常：  
ValueError：如果 dtype 是整数并且 maxval 没有被指定.

# 生成1维的W矩阵，取值是[-1,1]之间的随机数
    W = tf.Variable(tf.random_uniform([1], -1.0, 1.0), name='W')
    # 生成1维的b矩阵，初始值是0
    b = tf.Variable(tf.zeros([1]), name='b')
    # 经过计算得出预估值y
    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')
    # 采用梯度下降法来优化参数
    optimizer = tf.train.GradientDescentOptimizer(0.5)
    # 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)
    
    # 初始化的W和b是多少
    print ("W =", sess.run(W), "b =", sess.run(b), "loss =", sess.run(loss))
    # 执行20次训练
    for step in range(20):
        sess.run(train)
        # 输出训练好的W和b
        print ("W =", sess.run(W), "b =", sess.run(b), "loss =", sess.run(loss))
    writer = tf.summary.FileWriter("./tmp", sess.graph)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjI2MDEwMg_size_16_color_FFFFFF_t_70 1]

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

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjI2MDEwMg_size_16_color_FFFFFF_t_70 2]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjI2MDEwMg_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20200304204404556.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjI2MDEwMg==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjI2MDEwMg_size_16_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/20200304211244706.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjI2MDEwMg==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjI2MDEwMg_size_16_color_FFFFFF_t_70 2]: https://img-blog.csdnimg.cn/20200304211344250.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjI2MDEwMg==,size_16,color_FFFFFF,t_70