TensorFlow学习笔记(2)--构造线性回归模型
2017-03-04 17:34
274 查看
先制作一些数据:
代码运行一下,下面这个图就是上面代码刚刚构造的数据点:
有了数据之后,接下来构造线性回归模型,去学习出来这个数据符合什么样的w和b,训练完后看下得到的w和b是不是接近构造数据时的w和b,最后一次结果是
注:以上内容为我学习51CTO唐宇迪老师的深度学习课程所做的一些总结和笔记,大家可以去听听他的课程,还挺好的。
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) # np.random.normal(mean,stdev,size)给出均值为mean,标准差为stdev的高斯随机数(场),当size赋值时,如:size=100,表示返回100个高斯随机数。 y1 = x1 * 0.1 + 0.3 + np.random.normal(0.0, 0.03) # 后面加的高斯分布为人为噪声 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() # 构造1维的w矩阵,取值是随机初始化权重参数为[-1, 1]之间的随机数 w = tf.Variable(tf.random_uniform([1], -1.0, 1.0), name='w') # 构造1维的b矩阵,初始化为0 b = tf.Variable(tf.zeros([1]), name='b') # 建立回归公式,经过计算得出估计值y y = w * x_data +b # 定义loss函数,估计值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,学习率为0.5 optimizer = tf.train.GradientDescentOptimizer(0.5) # train相当于一个优化器,训练的过程就是最小化loss train = optimizer.minimize(loss, name='train') sess = tf.Session() # 全局变量的初始化 init = tf.global_variables_initializer() sess.run(init) # 打印初始化的w和b print('w = ', sess.run(w), 'b = ', sess.run(b), 'loss = ', sess.run(loss)) # 训练迭代20次 for step in range(20): sess.run(train) # 打印训练好的w和b print('w = ', sess.run(w), 'b = ', sess.run(b), 'loss = ', sess.run(loss))
代码运行一下,下面这个图就是上面代码刚刚构造的数据点:
有了数据之后,接下来构造线性回归模型,去学习出来这个数据符合什么样的w和b,训练完后看下得到的w和b是不是接近构造数据时的w和b,最后一次结果是
w = [ 0.10149562] b = [ 0.29976717] loss = 0.000948041的,也就是这个线性回归模型学习到了数据的分布规则。也可以看出随着训练次数的迭代,loss值也越来越小,也就是模型越来越好,将训练出来的w和b构造成图中蓝色的线,这条线就是当前最能拟合数据的直线了。运行结果如图所示:
注:以上内容为我学习51CTO唐宇迪老师的深度学习课程所做的一些总结和笔记,大家可以去听听他的课程,还挺好的。
相关文章推荐
- TensorFlow学习笔记(二):TensorFlow实现线性回归模型
- Lua学习-2-表的构造
- HDU 5015 233 Matrix (构造矩阵)
- TensorFlow学习笔记(1):使用softmax对手写体数字(MNIST数据集)进行识别
- 条款09:绝不在构造和析构过程中调用virtual函数(Never call virtual functions during construction or destruction.)
- 学会构造素数序列
- 用vector构造自动扩容的二维数组
- Perl的字符串构造时机
- C++ 将对象的构造和析构函数声明为Protected的结果
- java 用泛型参数类型构造数组详解及实例
- wxPython中的两步构造
- Fiddler 构造http请求
- CodeForces - 361B D - Levko and Permutation 构造
- 关于构造方法的继承
- maven权威指南7.7节使用Hibernate3插件构造数据库报错
- Java中普通代码块,构造代码块,静态代码块区别及代码示例
- 【正则】构造复杂SQL语句的正则表达式1
- 黑马程序员——Java基础---静态代码块和构造方法执行顺序
- 详解Spring 两种注入的方式(Set和构造)实例
- java 构造方法