tensorflow基础（构建线性回归函数）

今天学习了tensorflow构建回归曲线的知识，其中利用了梯度下降法来提高机器学习创建回归曲线的正确率。

在学习中自己按照其写的代码为：

import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
#随机生成一千个点
num_points=1000
vectors_set = []
for _ in range(num_points):
    x1=np.random.normal(0.0,0.55)
    y1=x1*0.1+0.3+np.random.normal(0.0,0.05)
    vectors_set.append([x1,y1])
#生成样本
x_d = [v[0] for v in vectors_set]
y_d = [v[1] for v in vectors_set]
plt.scatter(x_d,y_d,c='b')
plt.show()

W = tf.Variable(tf.compat.v1.random_uniform([1],-1,1),name='W')
b= tf.Variable(tf.zeros([1]),name='b')
y = W*x_d + b 
#以预估值y和实际值y_d之间误差 
loss = tf.reduce_mean(tf.square(y-y_d),name='loss')
optimizer =tf.compat.v1.train.GradientDescentOptimizer(0.5)
train= optimizer.minimize(loss,name='train')
init = tf.compat.v1.global_variables_initializer()
with tf.compat.v1.Session() as sess:
    sess.run(init)
    print("W=",sess.run(W),"b=",sess.run(b),"loss=",sess.run(loss))
    for _ in range(30):
        sess.run(train)
        print("W=",sess.run(W),"b=",sess.run(b),"loss=",sess.run(loss))
    plt.scatter(x_d,y_d,c='y')
    plt.plot(x_d,sess.run(W)*x_d+sess.run(b))
    plt.show()

 

 根据案例可以看出，利用梯度下降法可以每次增强构建回归函数的准确度，是比较容易理解上手的方法。