tensorflow线性方程组求解

 

import tensorflow as tf
import numpy as np

def main():
    testLinear()
    testLinearMatrix()
    
def testLinear():
    # 使用numpy生成100个随机点
    x_data = np.random.rand(100)
    # 下面的公式相当于一条直线，斜率是0.1，偏移量是0.2
    y_data = x_data * 0.1 + 0.2
    
    # 构造一个线性模型
    b = tf.Variable(0.)
    k = tf.Variable(0.)
    y = k * x_data + b 
    
    # 二次代价函数
    loss = tf.reduce_mean(tf.square(y_data-y))
    # 定义一个梯度下降法来进行训练的优化器
    optimizer = tf.train.GradientDescentOptimizer(0.1)  # 参数表示优化的效率
    # 最小化代价函数
    train = optimizer.minimize(loss)
    
    init = tf.global_variables_initializer()
    
    with tf.Session() as sess:
        sess.run(init)
        for step in range(30):
            sess.run(train)
            #if step % 20 == 0:
                #print(sess.run([k, b]))
            print(sess.run([k, b]))

def testLinearMatrix():
    # 使用 NumPy 生成假数据(phony data), 总共 100 个点.
    x_data = np.float32(np.random.rand(2, 100)) # 随机输入
    y_data = np.dot([0.100, 0.200], x_data) + 0.300
    
    # 构造一个线性模型
    # 
    b = tf.Variable(tf.zeros([1]))
    w = tf.Variable(tf.random_uniform([1, 2], -1.0, 1.0))
    y = tf.matmul(w, x_data) + b
    
    # 最小化方差
    loss = tf.reduce_mean(tf.square(y - y_data))
    optimizer = tf.train.GradientDescentOptimizer(0.5)
    train = optimizer.minimize(loss)
    
    # 初始化变量
    init = tf.global_variables_initializer()
    
    # 启动图 (graph)
    sess = tf.Session()
    sess.run(init)
    
    # 拟合平面
    for step in range(0, 201):
        sess.run(train)
        if step % 20 == 0:
            print(sess.run(w))
            print(sess.run(b))
    
if __name__ == "__main__":
    main()

D:\python\tensorflow>python s.py

[0.051186632, 0.09918237]
[0.10145238, 0.19924887]
[0.10080577, 0.19958335]
[0.10044703, 0.19976886]
[0.100248, 0.19987176]
[0.100137584, 0.19992886]
[0.10007634, 0.19996053]
[0.10004235, 0.1999781]
[0.1000235, 0.19998784]
[0.100013055, 0.19999325]
[0.10000724, 0.19999625]

testLinear()代码解释：
x_data 和 y_data 是两个确定的数据集
y = k * x_data + b 是一个不确定值的函数公式，也就是这里的k,b是不知道准确值的，但初始值给了个0.
下面的代码定义了优化器，要求y_data-y的误差值最小，从而推算出最接近于y_data集的k,b值

loss = tf.reduce_mean(tf.square(y_data-y))
optimizer = tf.train.GradientDescentOptimizer(0.2)
train = optimizer.minimize(loss)

在Session中，运行了201次，在最后，tensorflow得出了最接近于现实的k、b值，即k是0.1左右，b是0.2左右