学习进度笔记⑩

Tensorflow线性回归

源代码：

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
import os
os.environ["CUDA_VISIBLE_DEVICES"]="0"

#设置训练参数，learning_rate=0.01，training_epochs=1000，display_step=50
learning_rate=0.01
training_epochs=1000
display_step=50
#创建训练数据
train_X=np.asarray([3.3,4.4,5.5,6.71,6.93,4.168,9.779,6.182,7.59,2.167,
                    7.042,10.791,5.313,7.997,5.654,9.27,3.1])
train_Y=np.asarray([1.7,2.76,2.09,3.19,1.694,1.573,3.366,2.596,2.53,1.221,
                    2.827,3.465,1.65,2.904,2.42,2.94,1.3])
n_samples=train_X.shape[0]
#构造计算图，使用变量Variable构造变量X，Y，代码如下：
X=tf.placeholder("float")
Y=tf.placeholder("float")
#设置模型的初始权重
W=tf.Variable(np.random.randn(),name="weight")
b=tf.Variable(np.random.randn(),name='bias')
#构造线性回归模型
pred=tf.add(tf.multiply(X,W),b)
#求损失函数，即均方差
cost=tf.reduce_sum(tf.pow(pred-Y,2))/(2*n_samples)
#使用梯度下降法求最小值，即最优解
optimizer=tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)
#初始化全部变量
init =tf.global_variables_initializer()
#使用tf.Session()创建Session会话对象，会话封装了Tensorflow运行时的状态和控制。
with tf.Session() as sess:
    sess.run(init)
#调用会话对象sess的run方法，运行计算图，即开始训练模型。
#Fit all training data
    for epoch in range(training_epochs):
        for (x,y) in zip(train_X,train_Y):
            sess.run(optimizer,feed_dict={X:x,Y:y})

        #Display logs per epoch step
        if (epoch+1) % display_step==0:
            c=sess.run(cost,feed_dict={X:train_X,Y:train_Y})
            print("Epoch:" ,'%04d' %(epoch+1),"cost=","{:.9f}".format(c),"W=",sess.run(W),"b=",sess.run(b))
    #打印训练模型的代价函数。
    training_cost=sess.run(cost,feed_dict={X:train_X,Y:train_Y})
    print("Train cost=",training_cost,"W=",sess.run(W),"b=",sess.run(b))
    #可视化，展现线性模型的最终结果。
    plt.plot(train_X,train_Y,'ro',label='Original data')
    plt.plot(train_X,sess.run(W)*train_X+sess.run(b),label="Fitting line")
    plt.legend()
    plt.show()

结果截图：