（二）Tensorflow的线性回归模型

线性模型的建模，运算过程，数据的展示，拟合结果的展示！

代码展示：

import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt

def liner_regression():
    #生成数据
    n_object = 100
    xs = np.linspace(-3,3,n_object)
    ys = np.sin(xs) + np.random.uniform(-0.5,0.5,n_object)
    plt.figure(figsize=[8,6])
    plt.scatter(xs,ys)
    plt.show()
    #给数据建立placeholder
    X = tf.placeholder(tf.float32,name="X")
    Y = tf.placeholder(tf.float32,name="Y")
    #初始化权重和偏置
    weight = tf.Variable(tf.random_normal([1]),name="weight")
    bias = tf.Variable(tf.random_normal([1]),name="bias")
    #进行求预测值
    prediction = tf.add(tf.multiply(weight,X),bias)
    #定义损失函数和优化器
    loss = tf.square(Y-prediction)
    train = tf.train.GradientDescentOptimizer(learning_rate=1e-2).minimize(loss)
    #初始化变量
    init = tf.global_variables_initializer()
    #定义session
    with tf.Session() as sess:
        #初始化，保存定义的运算图
        sess.run(init)
        writer = tf.summary.FileWriter("./logs",sess.graph)
        #定义迭代次数
        for i in range(100):
            #定义梯度下降的batch_size，SGD
            loss_total = 0
            for x, y in zip(xs,ys):
                _,l = sess.run(fetches=[train,loss],feed_dict={X:x,Y:y})
                loss_total+=l
            loss_total/=xs.shape[0]
            if i%5==0:
                print("Iterator:{},loss:{}".format(i,loss_total))
        writer.close()
        w,b = sess.run([weight,bias])
        print("最终的  W:{},b:{}".format(w,b))
    #画图，展示结果
    plt.figure(figsize=[10,8])
    plt.scatter(xs,ys,label="real_data",c="r")
    plt.plot(xs,w*xs+b,label="pred_data",c="b")
    plt.legend()
    plt.show()
    return

数据展示：（加入了噪声的结果）

效果展示：

在附上tensorboard的图模型：

上述代码使用了，梯度下降的优化方法，是因为我们的函数凹凸性特别好，可以收敛的，但是复杂一点的函数呢？

有任何问题都可指出说明，一定解答！！

最后

以上就是舒适飞机为你收集整理的（二）Tensorflow的线性回归模型的全部内容，希望文章能够帮你解决（二）Tensorflow的线性回归模型所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。