zoukankan      html  css  js  c++  java
  • 学习进度笔记5

    观看Tensorflow案例实战视频课程05 构造线性回归模型

    import numpy as np
    import tensorflow as tf
    import matplotlib.pyplot as plt
    
    #随机生成1000个点,围绕在y=0.1x+0.3的直线范围
    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])
        
    #生成一些样本
    x_data=[v[0] for v in vectors_set]
    y_data=[v[1] for v in vectors_set]
    
    plt.scatter(x_data,y_data,c='r')
    plt.show()
    
    #生成1维的W矩阵,取值是【-1,1】之间的随机数
    W=tf.Variable(tf.random_uniform([1],-1.0,1.0),name='W')
    #生成1维的b矩阵,初始值是0
    b=tf.Variable(tf.zeros([1]),name='b')
    #经过计算得出预估值y
    y=W*x_data+b
    
    #以预估值y和实际值y_data之间的均方误差作为损失
    loss=tf.reduce_mean(tf.square(y-y_data),name='loss')
    #采用梯度下降法来优化参数
    optimizer=tf.train.GradientDescentOptimizer(0.5)
    #训练的过程就是最小化这个误差值
    train=optimizer.minimize(loss,name='train')
    
    sess=tf.Session()
    
    init=tf.golbal_variables_initializer()
    sess.run(init)
    
    #初始化的W和b是多少
    print("W=",sess.run(W),"b=",sess.run(b),"loss=",sess.run(loss))
    #执行20次训练
    for step in range(20):
        sess.run(train)
        #输出训练好的W和b
        print("W=",sess.run(W),"b=",sess.run(b),"loss=",sess.run(loss))
    
    plt.scatter(x_data,y_data,c='r')
    plt.plot(x_data,sess.run(W)*x_data+sess.run(b))
    plt.show()
  • 相关阅读:
    多表代换密码
    仿射变换
    LeetCode实战练习题目
    13.线性同余方程 扩展欧几里得算法
    12.扩展欧几里得算法
    11.快速幂求逆元
    10.快速幂
    9.筛法求欧拉函数
    8.欧拉函数
    7.最大公约数 欧几里得算法,也叫辗转相除法
  • 原文地址:https://www.cnblogs.com/zql-42/p/14571896.html
Copyright © 2011-2022 走看看