TensorFlow 线性回归

实验目的

1.掌握使用TensorFlow进行线性回归

2.掌握TensorFlow的基本运行流程

实验原理

线性回归是用来度量变量间关系的统计技术。该算法的实现并不复杂，但可以适用于很多情形。正是因为这些原因，以线性回归作为开始学习TensorFlow的开始。

不管在两个变量（简单回归）或多个变量（多元回归）情形下，线性回归都是对一个依赖变量，多个独立变量xi，一个随机值b间的关系建模。利用TensorFlow实现一个简单的线性回归模型：分析一些代码基础及说明如何在学习过程中调用各种重要组件，比如cost function或梯度下降算法。

 

实验步骤

1、导入实验所需要的模块

import tensorflow as tf
import numpy as np
import os
import matplotlib.pyplot as plt
os.environ["CUDA_VISIBLE_DEVICES"]="2"

2.设置训练参数，learning_rate=0.01，training_epochs=1000，display_step=50。

 

learning_rate=0.01
training_epochs=1000
display_step=50

 

3.创建训练数据

 

train_X=np.asarray([3.3,4.4,5.5,6.71,6.93,4.168,9.779,6.182,7.59,2.167,7.042,10.791,5.313,7.997,5.654,9.27,3.1])
train_Y=np.asarray([1.7,2.76,2.09,3.19,1.694,1.573,3.366,2.596,2.53,1.221,2.827,3.465,1.65,2.904,2.42,2.94,1.3])
n_samples=train_X.shape[0]

 

4.构造计算图，使用变量Variable构造变量X，Y，代码如下：

X=tf.placeholder("float")
Y=tf.placeholder("float")

5.设置模型的初始权重

W=tf.Variable(np.random.randn(),name="weight")
b=tf.Variable(np.random.randn(),name='bias')

6.构造线性回归模型

 

pred=tf.add(tf.multiply(X,W),b)

 

7.求损失函数，即均方差

 

cost=tf.reduce_sum(tf.pow(pred-Y,2))/(2*n_samples)

 

8.使用梯度下降法求最小值，即最优解

 

optimizer=tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)

 

9.初始化全部变量

init =tf.global_variables_initializer()  

10.使用tf.Session()创建Session会话对象，会话封装了Tensorflow运行时的状态和控制。

 

with tf.Session() as sess:
    sess.run(init)

 

11.调用会话对象sess的run方法，运行计算图，即开始训练模型。

 

for epoch in range(training_epochs):
    for (x, y) in zip(train_X, train_Y):
        sess.run(optimizer, feed_dict={X: x, Y: y})
        if (epoch+1) % display_step == 0:
            c = sess.run(cost, feed_dict={X: train_X, Y: train_Y})
            print("Epoch:" , '%04d' % (epoch + 1), "cost=", "{:.9f}".format(c), "W=", sess.run(W), "b=", sess.run(b))
            training_cost = sess.run(cost, feed_dict={X: train_X, Y: train_Y})
            print("Train cost=", training_cost, "W=", sess.run(W), "b=", sess.run(b))

 

12.结果显示：

training_cost = sess.run(cost, feed_dict={X: train_X, Y: train_Y})
                print("Train cost=", training_cost, "W=", sess.run(W), "b=", sess.run(b))

                plt.plot(train_X, train_Y, 'ro', label='Original data')
                plt.plot(train_X, sess.run(W) * train_X + sess.run(b), label="Fitting line")
                plt.legend()
                plt.show()

 

13.完整代码如下：

 

import tensorflow as tf
import numpy as np
import os
import matplotlib.pyplot as plt
os.environ["CUDA_VISIBLE_DEVICES"]="2"

#设置训练参数，learning_rate=0.01，training_epochs=1000，display_step=50。
learning_rate=0.01
training_epochs=1000
display_step=50

#创建训练数据
train_X=np.asarray([3.3,4.4,5.5,6.71,6.93,4.168,9.779,6.182,7.59,2.167,7.042,10.791,5.313,7.997,5.654,9.27,3.1])
train_Y=np.asarray([1.7,2.76,2.09,3.19,1.694,1.573,3.366,2.596,2.53,1.221,2.827,3.465,1.65,2.904,2.42,2.94,1.3])
n_samples=train_X.shape[0]

#构造计算图，使用变量Variable构造变量X，Y，
X=tf.placeholder("float")
Y=tf.placeholder("float")

#设置模型的初始权重
W=tf.Variable(np.random.randn(),name="weight")
b=tf.Variable(np.random.randn(),name='bias')

#构造线性回归模型
pred=tf.add(tf.multiply(X,W),b)

#求损失函数，即均方差
cost=tf.reduce_sum(tf.pow(pred-Y,2))/(2*n_samples)

#使用梯度下降法求最小值，即最优解
optimizer=tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)

#初始化全部变量
init=tf.global_variables_initializer()

#使用tf.Session()创建Session会话对象，会话封装了Tensorflow运行时的状态和控制
with tf.Session() as sess:
    sess.run(init)

    #调用会话对象sess的run方法，运行计算图，即开始训练模型
    for epoch in range(training_epochs):
        for (x, y) in zip(train_X, train_Y):
            sess.run(optimizer, feed_dict={X: x, Y: y})
            if (epoch+1) % display_step == 0:
                c = sess.run(cost, feed_dict={X: train_X, Y: train_Y})
                print("Epoch:" , '%04d' % (epoch + 1), "cost=", "{:.9f}".format(c), "W=", sess.run(W), "b=", sess.run(b))

                training_cost = sess.run(cost, feed_dict={X: train_X, Y: train_Y})
                print("Train cost=", training_cost, "W=", sess.run(W), "b=", sess.run(b))

                plt.plot(train_X, train_Y, 'ro', label='Original data')
                plt.plot(train_X, sess.run(W) * train_X + sess.run(b), label="Fitting line")
                plt.legend()
                plt.show()

 

14.运行结果为：