189 8069 5689
本篇文章给大家分享的是有关如何用tensorflow做线性回归，小编觉得挺实用的，因此分享给大家学习，希望大家阅读完这篇文章后可以有所收获，话不多说，跟着小编一起来看看吧。
成都创新互联一直在为企业提供服务，多年的磨炼，使我们在创意设计，全网整合营销推广到技术研发拥有了开发经验。我们擅长倾听企业需求，挖掘用户对产品需求服务价值，为企业制作有用的创意设计体验。核心团队拥有超过十载以上行业经验，涵盖创意，策化，开发等专业领域，公司涉及领域有基础互联网服务香港机房服务器托管、重庆App定制开发、手机移动建站、网页设计、网络整合营销。
01
—
Tensorflow做线性回归
前面实现过最小二乘法的线性回归算法，梯度下降求解过程，详见文章：
机器学习之线性回归：算法兑现为python代码
那么，借助tensorflow如何实现最小二乘法的线性回归呢？基本的思路，首先生成拟合的数据集，然后构建线性回归的Graph，最后在Session中迭代train器，得到拟合的参数w和b，画出拟合曲线。
1.1 生成拟合的数据集，数据集只含有一个特征，注意误差项需要满足高斯分布，其分布的代码如下，首先导入3个库，
import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
#数据点100个
num_points = 100
vectors_set = []
for i in range(num_points):
x1 = np.random.normal(0.,0.55)
y1 = x1 * 0.1 + 0.3 + np.random.normal(0.0,0.03)
vectors_set.append([x1,y1])
#特征x
x_data = [v[0] for v in vectors_set]
#标签值y
y_data = [v[1] for v in vectors_set]
plt.scatter(x_data,y_data,c='b')
plt.show()
产生的数据分布如下所示：
1.2 构建线性回归的Graph
w = tf.Variable(tf.random_uniform([1],-1.,1.),name='myw')
b = tf.Variable(tf.zeros([1]),name='myb')
#经过计算得出预估值
y = w * x_data + b
#以预估值y和实际值y_data之间的均方差作为损失
loss = tf.reduce_mean(tf.square(y-y_data,name='mysquare'), name='myloss')
#采用梯度下降法来优化参数
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss,name='mytrain')
1.3 在Session中运行构建好的Graph
#global_variables_initializer初始化Variable等变量
sess = tf.Session()
init = tf.global_variables_initializer()
sess.run(init)
print("w=", sess.run(w),"b=",sess.run(b),sess.run(loss))
#迭代20次train
for step in range(20):
sess.run(train)
print("w=", sess.run(w),"b=",sess.run(b),sess.run(loss))
#写入磁盘，提供tensorboard在浏览器中展示用
writer = tf.summary.FileWriter("./mytmp",sess.graph)
打印下w和b,损失值的变化情况，可以看到损失值从0.24降到0.0008.
1.4绘制拟合曲线
plt.scatter(x_data,y_data,c='b')
plt.plot(x_data,sess.run(w)*x_data+sess.run(b))
plt.show()
02
—
Tensorboard展示Graph
关于如何在tensorboard中展示构建好的Graph，请参考文章，不再赘述，直接分析tensorflow绘制的graph.
TensorFlow笔记|Get Started
得到的Graph界面如下所示：
Main Graph视图放大版，数据从底部是如何经过Operators，流动到顶部的，大家可以顺一下。
以上就是如何用tensorflow做线性回归，小编相信有部分知识点可能是我们日常工作会见到或用到的。希望你能通过这篇文章学到更多知识。更多详情敬请关注创新互联行业资讯频道。