机器学习|线性回归模型

• 从今天开始我的机器学习之路，以后会不定期的更新，敬请大家期待！

  本文主要运用TensorFlow实现了机器学习中的线性回归模型，这里是在Jupyter Notebook上面实现的。

%matplotlib inline

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

os.environ['TF_CPP_MIN_LOG_LEVEL']='3'

np.random.seed(28)  #如果使用相同的num，那么每一次产生的随机数都相同
N=100
train_x=np.linspace(0,6,N) + np.random.normal(loc=0.0,scale=2,size=N)
train_y=14*train_x-7+np.random.normal(loc=0.0,scale=5.0,size=N)
plt.scatter(train_x,train_y)
plt.show()

def print_info(r_w, r_b, r_loss):
    print('w={},b={},loss={}'.format(r_w, r_b, r_loss))

开启会话，运行计算图，训练模型

#创建计算图
with tf.Graph().as_default():
    with tf.name_scope('Input'):
        #s输入占位符
        X=tf.placeholder(tf.float32,name='X')
        Y_true=tf.placeholder(tf.float32,name='Y_true')
    with tf.name_scope('Inference'):
        #模型参数变量
        w=tf.Variable(tf.zeros([1]),name='weight')
        b=tf.Variable(tf.zeros([1]),name='bias')
        y_pred=tf.add(tf.multiply(X,w),b)   #y=wx+b
    with tf.name_scope('Loss'):
        #损失函数
        TrainLoss=tf.reduce_mean(tf.square(Y_true-y_pred))
    with tf.name_scope('Train'):
        #建立一个优化器
        Optimizer=tf.train.GradientDescentOptimizer(learning_rate=0.05)
        TrainOp=Optimizer.minimize(TrainLoss)
        
    # 添加所有variable类型的变量的初始化节点
    init_op = tf.global_variables_initializer()
    # 保存计算图
    writer = tf.summary.FileWriter(logdir='logs_linear_regression', graph=tf.get_default_graph())
    writer.close()
    
    # 构建会话，运行
    print('开启会话，运行计算图，训练模型')

    with tf.Session() as sess:
        sess.run(init_op)
        for step in range(N):
             _, train_w, train_b, train_loss = sess.run([TrainOp, w, b, TrainLoss], feed_dict={X: train_x, Y_true: train_y})

print_info(train_w, train_b, train_loss)
plt.scatter(train_x,train_y)
plt.plot(train_x,r_w*train_x+r_b,label='Fitted Line')
plt.legend()
plt.show()

w=[13.829246],b=[-6.4065833],loss=29.9353084564209