TensorFlow 實現線性迴歸

標籤：迭代   none   red   count   最佳化   技術   glob   ntop   point   

 

1、產生高斯分布的隨機數

匯入numpy模組，通過numpy模組內的方法產生一組在方程

y = 2 * x + 3

周圍小幅波動的隨機座標。代碼如下：

 1 import numpy as np 2 import matplotlib.pyplot as plot 3  4  5 def getRandomPoints(count): 6     xList = [] 7     yList = [] 8     for i in range(count): 9         x = np.random.normal(0, 0.5)10         y = 2 * x + 3 + np.random.normal(0, 0.3)11         xList.append(x)12         yList.append(y)13     return xList, yList14 15 16 if __name__ == ‘__main__‘:17     X, Y = getRandomPoints(1000)18     plot.scatter(X, Y)19     plot.show()

運行上述代碼，輸出圖形如下：

 

2、採用TensorFlow來擷取上述方程的係數

　　首先搭建基本的預估模型y = w * x + b，然後再採用梯度下降法進行訓練，通過最小化損失函數的方法進行最佳化，最終訓練得出方程的係數。

　　在下面的例子中，梯度下降法的學習率為0.2，訓練迭代次數為100次。

 1 def train(x, y): 2     # 產生隨機係數 3     w = tf.Variable(tf.random_uniform([1], -1, 1)) 4     # 產生隨機截距 5     b = tf.Variable(tf.random_uniform([1], -1, 1)) 6     # 預估值 7     preY = w * x + b 8  9     # 損失值：預估值與實際值之間的均方差10     loss = tf.reduce_mean(tf.square(preY - y))11     # 最佳化器：梯度下降法,學習率為0.212     optimizer = tf.train.GradientDescentOptimizer(0.2)13     # 訓練：最小化損失函數14     trainer = optimizer.minimize(loss)15 16     with tf.Session() as sess:17         sess.run(tf.global_variables_initializer())18         # 列印初始隨機係數19         print(‘init w:‘, sess.run(w), ‘b:‘, sess.run(b))20         # 先訓練個100次：21         for i in range(100):22             sess.run(trainer)23             # 每10次列印下係數24             if i % 10 == 9:25                 print(‘w:‘, sess.run(w), ‘b:‘, sess.run(b))26 27 28 if __name__ == ‘__main__‘:29     X, Y = getRandomPoints(1000)30     train(X, Y)

　　運行上面的代碼，某次的最終結果為：

w = 1.9738449b = 3.0027733

僅100次的訓練迭代，得出的結果已十分接近方程的實際係數。

　　某次類比訓練中的輸出結果如下：

init w: [-0.6468966] b: [0.52244043]w: [1.0336646] b: [2.9878206]w: [1.636582] b: [3.0026987]w: [1.8528996] b: [3.0027785]w: [1.930511] b: [3.0027752]w: [1.9583567] b: [3.0027738]w: [1.9683474] b: [3.0027735]w: [1.9719319] b: [3.0027733]w: [1.9732181] b: [3.0027733]w: [1.9736794] b: [3.0027733]w: [1.9738449] b: [3.0027733]

 

3、完整代碼和結果

 完整測試代碼：

 1 import numpy as np 2 import matplotlib.pyplot as plot 3 import tensorflow as tf 4  5  6 def getRandomPoints(count, xscale=0.5, yscale=0.3): 7     xList = [] 8     yList = [] 9     for i in range(count):10         x = np.random.normal(0, xscale)11         y = 2 * x + 3 + np.random.normal(0, yscale)12         xList.append(x)13         yList.append(y)14     return xList, yList15 16 17 def train(x, y, learnrate=0.2, cycle=100):18     # 產生隨機係數19     w = tf.Variable(tf.random_uniform([1], -1, 1))20     # 產生隨機截距21     b = tf.Variable(tf.random_uniform([1], -1, 1))22     # 預估值23     preY = w * x + b24 25     # 損失值：預估值與實際值之間的均方差26     loss = tf.reduce_mean(tf.square(preY - y))27     # 最佳化器：梯度下降法28     optimizer = tf.train.GradientDescentOptimizer(learnrate)29     # 訓練：最小化損失函數30     trainer = optimizer.minimize(loss)31 32     with tf.Session() as sess:33         sess.run(tf.global_variables_initializer())34         # 列印初始隨機係數35         print(‘init w:‘, sess.run(w), ‘b:‘, sess.run(b))36         for i in range(cycle):37             sess.run(trainer)38             # 每10次列印下係數39             if i % 10 == 9:40                 print(‘w:‘, sess.run(w), ‘b:‘, sess.run(b))41         return sess.run(w), sess.run(b)42 43 44 if __name__ == ‘__main__‘:45     X, Y = getRandomPoints(1000)46     w, b = train(X, Y)47     plot.scatter(X, Y)48     plot.plot(X, w * X + b, c=‘r‘)49     plot.show()

View Code

　　最終如下，藍色為高斯隨機分布資料，紅色為最終得出的直線：

 

 

本文地址：https://www.cnblogs.com/laishenghao/p/9571343.html

 

TensorFlow 實現線性迴歸