利用tensorflow解决线性回归问题

1、核心步骤

	1)准备数据集2)创建模型3)训练模型4)进行预测

2、实例

	本例通过人工生成数据集，由y=2*x+1+一个噪声生成，噪声的最大幅值设为0.5。可以利用该数据集来拟合线性函数：y=2*x+1。1）创建数据集%matplotlib inline#导入响应库import numpy as nimport tensorflow as tfimport matplotlib.pyplot as px_data=n.linspace(-1,1,200)#对应的y值y_data=2*x_data+1.0+n.random.randn(*x_data.shape)*0.52)构建模型x=tf.placeholder("float",name="x")y=tf.placeholder("float",name="y")#创建变量w=tf.Variable(1.0,name="w0")b=tf.Variable(0.0,name="b0")#创建模型,此时即定义模型函数def model(x,w,b):return tf.multiply(x,w)+bpre=model(x,w,b)3）训练模型#设置训练参数train_num=10learn_rate=0.03#定义损失函数,采用MSE作为损失函数lossfunc=tf.reduce.mean(tf.square(y-pre))#定义优化器,tensorflow中的优化器已定义了训练参数的更新，无需自定义optimizer=tf.train.GrandientDescentOptimizer(learn_rate).minimize(lossfunc)#创建会话s=tf.Session()init=tf.global_variables_initalizer()s.run(init)#迭代训练for n in range(train_num):for x1,y1 in zip(x_data,y_data):_,loss=s.run([optimizer,lossfunc],feed_dict{x:x1,y:y1})	#显示训练的最佳参数s.run(w)s.run(b)#显示结果图像plt.scatter(x_data,y_data,label='orign data')plt.plot(x_data,x_data*s.run(w)+s.run(b),label='learn line',color='r')s.close()