深度学习应用5.2线性回归问题实战

1产生人工数据集

线性方程例子

这里y=2x+1
人工数据集生成，让matplotlib生成图像在jupter里面以inline的形式出现

%matplotlib inline
import matplotlib.pyplot as plt
import numpy as np
import tensorflow as tf
# 设置随机数种子，确保固定方式的随机数
np.random.seed(5)
#直接采用np生成等差数列，生成100个点，每个点在-1到1之间
x_data=np.linspace(-1,1,100)
# 生成y=2x+1+噪声,噪声维度和x_data一致
y_data=2*x_data+1.0+np.random.randn(*x_data.shape)*0.4

其中random讲解

说明是一个1维数组，里面有100个值


产生100个随机数

2利用matplotlib画出结果

# 画出随机散点图
plt.scatter(x_data,y_data)
# 画出我们想要学习的线性函数y=2x+1
plt.plot(x_data,2*x_data+1,color='red',linewidth=3)

3构建模型

占位符对应样本

训练模型训练出最合适的w和b
这里取值无所谓的

#定义占位符，x是特征值，y是标签
x=tf.placeholder("float",name = "x")
y=tf.placeholder("float",name= "y")
def model(x,w,b):
    return tf.multiply(x,w)+b
w=tf.Variable(1.0,name="w0")
b=tf.Variable(0.0,name="b0")
pred=model(x,w,b)

4训练模型

learning rate 是经验值建议在0.1-0.01之间

定义损失函数

定义梯度下降优化器

创建会话

训练迭代

变量会在优化器运行过程中自动调整值不需要去赋值

5所有代码

%matplotlib inline
import matplotlib.pyplot as plt
import numpy as np
import tensorflow as tf
# 设置随机数种子，确保固定方式的随机数
np.random.seed(5)
#直接采用np生成等差数列，生成100个点，每个点在-1到1之间
x_data=np.linspace(-1,1,100)
# 生成y=2x+1+噪声,噪声维度和x_data一致
y_data=2*x_data+1.0+np.random.randn(*x_data.shape)*0.4


# 画出随机散点图
plt.scatter(x_data,y_data)
# 画出我们想要学习的线性函数y=2x+1
plt.plot(x_data,2*x_data+1,color='red',linewidth=3)

定义占位符，x是特征值，y是标签
x=tf.placeholder("float",name = "x")
y=tf.placeholder("float",name= "y")
def model(x,w,b):
    return tf.multiply(x,w)+b
w=tf.Variable(1.0,name="w0")
b=tf.Variable(0.0,name="b0")
pred=model(x,w,b)
train_epcohs=10
learning_rate=0.05
loss_function=tf.reduce_mean(tf.square(y-pred))
optimizer=tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)
sess=tf.Session()
init=tf.global_variables_initializer()
sess.run(init)
for epoch in range(train_epcohs):
    for xs ,ys in zip (x_data,y_data):
        _,loss=sess.run([optimizer,loss_function],feed_dict={x:xs,y:ys})
     b0temp=b.eval(session=sess)
     w0temp=w.eval(session=sess)
     plt.plot(x_data,w0temp*x_data+b0temp)

尝试结果

可视化

plt.scatter(x_data,y_data,label='Original data')
plt.plot(x_data,x_data*sess.run(w)+sess.run(b),label="Fitted line"  ,color='r',linewidth=3)
plt.legend(loc=2)# 通过参数loc指定图例的位置