1读取数据

%matplotlib notebook
import tensorflow as tf
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd 
# read file kit
from sklearn.utils import shuffle
#洗牌
# read file
df=pd.read_csv("data/boston.csv",header=0)
# show data summary数据摘要
print(df.describe())

在这里插入图片描述

2数据准备

在这里插入图片描述

# 获取df的值
df=df.values
#把df转换为np的数组格式
df=np.array(df)
# x_data前12列特征数据
x_data=df[:,:12]
#y_data为最后一列标签数据
y_data=df[:,12]

3构建模型

行不知道多少行，列确定有12列，这个有比较好的适应性，可以一个或多个样本
在这里插入图片描述
命名空间，把内部节点打包在一起使计算图简单一些 .

#定义了一个命名空间
with tf.name_scope("Model"):
    #w初始化为shape=（12,1）的随机数
    w=tf.Variable(tf.random_normal([12,1],stddev=0.01),name="W")
    # b初始化
    b=tf.Variable(1.0,name='b')
    #w和x矩阵相乘
    def model(x,w,b):
        return tf.matmul(x,w)+b
    #预测计算操作，前向计算节点
    pred=model(x,w,b)

4模型训练

在这里插入图片描述

打乱是因为害怕只记得顺序，而不是对应的目标所产生的的结果，如认甲骨文，只记得第一个字是金，换了顺序还以为第一个是金，以为答案正确了，但是只与顺序相关。

for epoch in range(train_epochs):
    loss_sum=0.0
    for xs,ys in  zip(x_data,y_data):
        xs=xs.reshape(1,12)
        ys=ys.reshape(1,1)
        _,loss=sess.run([optimizer,loss_function],feed_dict={x:xs,y:ys})
        loss_sum=loss_sum+loss
        xvalues,yvalues=shuffle(x_data,y_data)
        b0temp=b.eval(session=sess)
        w0temp=w.eval(session=sess)
        loss_average=loss_sum/len(y_data)
        print("epoch=",epoch+1,"loss=",loss_average,"b=",b0temp,"w=",w0temp)