自學tensorflow——2.使用tensorflow計算線性回歸模型

廢話不多說，直接開始

1.首先，導入所需的模塊:

import numpy as np
import os
import tensorflow as tf

關閉tensorflow輸出的一大堆硬體信息

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

2.寫一個函數generate_data()，用來生成我們所需要的數據，這裡使用的線性函數是y = 0.1*x + 0.3，具體解釋見註釋

def generate_data():#隨機生成測試數據
    num_points = 1000
    vector_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)#以函數y = 0.1x+0.3為基準生成點數據,加上一個隨機值是為了防止生成的點都嚴格在一條直線上
        vector_set.append([x1, y1])
        x_data = [v[0] for v in vector_set]#就是vector_set裡面的所有x1組成的列表
        y_data = [v[1] for v in vector_set]#同上
    return x_data, y_data

說一下上面8，9兩行的操作，其實

x_data = [v[0] for v in vector_set]

與

for i in vector_set:
    x_data.append(i[0])

等價，只是這樣寫比較方便。

3.接下來就是我們的計算圖的構建了

首先介紹一些東西:

tf.random_uniform(shape, a, b)#用來生成a~b範圍內的均勻分佈的隨機數，其中shape是生成的張量的形狀
tf.square(a)#計算a的平方
tf.reduce_mean()#(不指定axis的情況下)就是計算平均值
tf.train.GradientDescentOptimizer(0.5)#tf.train裡面有許多優化方法，這裡使用GradientDescentOptimizer()參數是學習率，範圍0~1

博主也只是略知一二，具體可以去查手冊或百度

代碼如下，也是有註釋的(註意，下麵的*,+,-都是張量運算)

def train(x_data, y_data):
    w = tf.Variable(tf.random_uniform([1], -1.0, 1.0), name = 'w')#生成均勻分佈的值,其中[1]可以換成(1, ),表示矩陣的形狀
    b = tf.Variable(tf.zeros([1]), name = 'b')#b初始化為0
    y = w * x_data + b#根據隨機生成的w, x_data, b計算y
    loss = tf.reduce_mean(tf.square(y - y_data), name = 'loss')#tf.square()平方,tf.reduce_mean(不指定axis的情況下)就是計算平均值,所以loss就是標準差
    optimizer = tf.train.GradientDescentOptimizer(0.5)#設置學習率為0.5
    train = optimizer.minimize(loss, name = 'train')#使用優化器通過損失函數調整神經網路權值

    with tf.Session() as sess:#開啟任務,為了方便,起了別名sess
    　　init = tf.global_variables_initializer()#同上
    　　sess.run(init)#初始化全部變數

    　　print('w = ', sess.run(w), 'b = ', sess.run(b), 'loss = ', sess.run(loss))#這是隨機生成的,開始訓練前的w,b和損失
    　　for step in range(50):#一共訓練50次
        　　sess.run(train)
        　　print('w = ', sess.run(w), 'b = ', sess.run(b), 'loss = ', sess.run(loss))#這是每一次訓練後的w,b和損失

最後只要調用這兩個函數就行了

if __name__ == "__main__":
    x_data, y_data = generate_data()
    train(x_data, y_data)

對了，二次方程，甚至多次方程也可以哦

那麼今天就到這裡。

See you next time!