作者：游你精彩_980_469 | 来源：互联网 | 2023-08-17 16:20
python教程分享TensorFlow实现简单线性回归实例为大家分享了tensorflow实现简单线性回归的具体代码，供大家参考，具体内容如下简单的一元线性回归一元线性回归公式：
python 教程分享TensorFlow实现简单线性回归实例为大家分享了tensorflow实现简单线性回归的具体代码，供大家参考，具体内容如下
简单的一元线性回归
一元线性回归公式：
其中x是特征：[x1,x2,x3,…,xn,]t
代码实现
导入必须的包
import tensorflow as tf import matplotlib.pyplot as plt import numpy as np import os # 屏蔽warning以下的日志信息 os.environ['tf_cpp_min_log_level'] = '2'
产生模拟数据
def generate_data(): x = tf.constant(np.array([i for i in range(0, 100, 5)]).reshape(-1, 1), tf.float32) y = tf.add(tf.matmul(x, [[1.3]]) + 1, tf.random_normal([20, 1], stddev=30)) return x, y
x是100行1列的数据，tf.matmul是矩阵相乘，所以权值设置成二维的。
实现回归
def myregression(): """ 自实现线性回归 :return: """ x, y = generate_data() # 建立模型 y = x * w + b # w 1x1的二维数据 w = tf.variable(tf.random_normal([1, 1], mean=0.0, stddev=1.0), name='weight_a') b = tf.variable(0.0, name='bias_b') y_predict = tf.matmul(x, a) + b # 建立损失函数 loss = tf.reduce_mean(tf.square(y_predict - y)) # 训练 train_op = tf.train.gradientdescentoptimizer(0.1).minimize(loss=loss) # 初始化全局变量 init_op = tf.global_variables_initializer() with tf.session() as sess: sess.run(init_op) print('初始的权重:%f偏置值：%f' % (a.eval(), b.eval())) # 训练优化 for i in range(1, 100): sess.run(train_op) print('第%d次优化的权重:%f偏置值：%f' % (i, a.eval(), b.eval())) # 显示回归效果 show_img(x.eval(), y.eval(), y_predict.eval())
使用matplotlib查看回归效果
def show_img(x, y, y_pre): plt.scatter(x, y) plt.plot(x, y_pre) plt.show()
完整代码
import tensorflow as tf import matplotlib.pyplot as plt import numpy as np import os os.environ['tf_cpp_min_log_level'] = '2' def generate_data(): x = tf.constant(np.array([i for i in range(0, 100, 5)]).reshape(-1, 1), tf.float32) y = tf.add(tf.matmul(x, [[1.3]]) + 1, tf.random_normal([20, 1], stddev=30)) return x, y def myregression(): """ 自实现线性回归 :return: """ x, y = generate_data() # 建立模型 y = x * w + b w = tf.variable(tf.random_normal([1, 1], mean=0.0, stddev=1.0), name='weight_a') b = tf.variable(0.0, name='bias_b') y_predict = tf.matmul(x, w) + b # 建立损失函数 loss = tf.reduce_mean(tf.square(y_predict - y)) # 训练 train_op = tf.train.gradientdescentoptimizer(0.0001).minimize(loss=loss) init_op = tf.global_variables_initializer() with tf.session() as sess: sess.run(init_op) print('初始的权重:%f偏置值：%f' % (w.eval(), b.eval())) # 训练优化 for i in range(1, 35000): sess.run(train_op) print('第%d次优化的权重:%f偏置值：%f' % (i, w.eval(), b.eval())) show_img(x.eval(), y.eval(), y_predict.eval()) def show_img(x, y, y_pre): plt.scatter(x, y) plt.plot(x, y_pre) plt.show() if __name__ == '__main__': myregression()
看看训练的结果（因为数据是随机产生的，每次的训练结果都会不同，可适当调节梯度下降的学习率和训练步数）
35000次的训练结果
以上就是python教程分享TensorFlow实现简单线性回归的全部内容，希望对大家的学习有所帮助，也希望大家多多支持<编程笔记>。
需要了解更多python教程分享TensorFlow实现简单线性回归，都可以关注python教程分享栏目&＃8212;编程笔记
