Tensorflow深度学习(一)

初步学习tensorflow预测算法(线性回归方程)

1.随机生成1000个点,围绕在y=0.1x+0.3

num_points=1000
vectors_set=[]
for i in range(num_points):
    x1=np.random.normal(0.0,0.55)
    y1=x1*0.1+0.3+np.random.normal(0.0,0.03)
    vectors_set.append([x1,y1])

#样本生成
x_data=[v[0] for v in vectors_set]
y_data=[v[1] for v in vectors_set]

 

 

2.构建线性回归方程

#初始化W
W=tf.Variable(tf.random_uniform([1],-1.0,1.0),name='W')
#初始化b
b=tf.Variable(tf.zeros([1]),name='b')
#构建线性回归方程
y=W*x_data+b

3.计算损失

#计算损失（均方差）
loss=tf.reduce_mean(tf.square(y-y_data),name='loss')

4.优化参数

#采用梯度下降方法优化参数
optimizer=tf.train.GradientDescentOptimizer(0.5)
#训练
train=optimizer.minimize(loss,name='loss')

5.开始初始化

#初始化全局
sess=tf.Session()
init=tf.global_variables_initializer()
sess.run(init)

6.开始训练

#打印初始化W、b和loss
print("W=",sess.run(W),"b=",sess.run(b),"loss=",sess.run(loss))
#开始训练
for i in range(20):
    sess.run(train)
    print("W=", sess.run(W), "b=", sess.run(b), "loss=", sess.run(loss))

7.图表展示

#图表展示
plt.scatter(x_data,y_data,c='r')
plt.plot(x_data,sess.run(W)*x_data+sess.run(b))
plt.show()