TensorFlow——热身运动:简单的线性回归
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了TensorFlow——热身运动:简单的线性回归,小编现在分享给大家,供广大互联网技能从业者学习和参考。文章包含1764字,纯文字阅读大概需要3分钟。
内容图文
过程:
先用numpy建立100个数据点,再用梯度下滑工具来拟合,得到完美的回归线。
1 # _*_coding:utf-8_*_ 2 import tensorflow as tf 3 import numpy as np 4 5 # 用numpy建立100个数据点,y=x*0.1+0.3 6 x_data = np.random.rand(100).astype("float32") 7 y_data = x_data*0.1+0.3 8 9# 建立权值变量W和偏移量变量b10 W = tf.Variable(tf.random_uniform([1],-1.0,1.0)) 11 b = tf.Variable(tf.zeros([1])) 12 y = W * x_data + b 1314# 最小化均方差15 loss = tf.reduce_mean(tf.square(y - y_data)) 16 optimizer = tf.train.GradientDescentOptimizer(0.5) #train里面有最优化函数17 train = optimizer.minimize(loss) #gradient descent 作用的是代价函数1819# 变量使用前要初始化20 init = tf.initialize_all_variables() 2122# 载入图(在一个session被建立并且run()函数被运行前,TensorFlow不会进行任何实质的计算)23 sess = tf.Session() # 会话将图的 op 分发到如 CPU 或 GPU 之类的 设备 (Devices()) 上, 同时提供 执行 op 的方法24sess.run(init) 2526# 调整线27for step in xrange(201): 28 sess.run(train) 29if step % 20 == 0: 30print (step, sess.run(W), sess.run(b))
运行结果:
(0, array([ 0.32897317], dtype=float32), array([ 0.2412499], dtype=float32)) (20, array([ 0.15775403], dtype=float32), array([ 0.26956022], dtype=float32)) (40, array([ 0.11639664], dtype=float32), array([ 0.29135802], dtype=float32)) (60, array([ 0.1046551], dtype=float32), array([ 0.29754651], dtype=float32)) (80, array([ 0.10132162], dtype=float32), array([ 0.29930344], dtype=float32)) (100, array([ 0.10037522], dtype=float32), array([ 0.29980224], dtype=float32)) (120, array([ 0.10010655], dtype=float32), array([ 0.29994386], dtype=float32)) (140, array([ 0.10003026], dtype=float32), array([ 0.29998407], dtype=float32)) (160, array([ 0.10000858], dtype=float32), array([ 0.29999548], dtype=float32)) (180, array([ 0.10000245], dtype=float32), array([ 0.29999873], dtype=float32))
符合:y=x*0.1+0.3
原文:http://www.cnblogs.com/DianeSoHungry/p/7143392.html
内容总结
以上是互联网集市为您收集整理的TensorFlow——热身运动:简单的线性回归全部内容,希望文章能够帮你解决TensorFlow——热身运动:简单的线性回归所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错,欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 gblab@vip.qq.com 举报,一经查实,本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。