机器学习之线性回归使用Python和tensorflow实现

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机器学习之线性回归使用Python和tensorflow实现，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1784字，纯文字阅读大概需要3分钟。

内容图文

导入依赖包

import tensorflow as tf
import numpy as np
import matplotlib.pylab as plt
from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['SimHei']

生成直线数据并加入噪音画图显示

train_x = np.linspace(-1, 1, 100)  # 生成 -1 到 1之间 分成100份
# print(train_x)
noise = np.random.randn(*train_x.shape) * 0.3
train_y = 2 * train_x + noise  # 给每一个点加上噪音
# print(noise)
plt.plot(train_x, train_y, "go", label="我的初始数据")
plt.legend()
plt.show()

定义模型的输入和输出

x = tf.placeholder("float")
y = tf.placeholder("float")
# 定义并初始化模型的权重偏置
w = tf.Variable(tf.random_normal([1]), name="weight")
b = tf.Variable(tf.zeros([1]), name="bias")
# 定义模型的前向传播过程
y_predict = tf.multiply(w, x) + b

定义模型的损失函数，反向传播

cost = tf.reduce_mean(tf.square(y - y_predict))
learning_rate = 0.01  # 定义学习率
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)  # 定义优化器
init = tf.global_variables_initializer()

定义超参数

train_epochs = 100
display_epoch = 2

训练模型

with tf.Session() as sess:
    sess.run(init)
    plotdata = {"epochs": [], "cost": []}  # 保存训练得到的参数
    for epoch in range(train_epochs):
        for X, Y in zip(train_x, train_y):
            sess.run(optimizer, feed_dict={x: X, y: Y})

        if epoch % display_epoch == 0:
            print("训练的epoch为:%d cost为:%f %f" % (epoch+1, sess.run(cost, feed_dict={x: train_x, y: train_y}), sess.run(b)))
            plotdata["epochs"].append(epoch+1)
            plotdata["cost"].append(sess.run(cost, feed_dict={x: train_x, y: train_y}))

    print("训练完成")
    print("模型训练的结果为： ", "w", sess.run(w), "b:", sess.run(b), "cost:",
          sess.run(cost, feed_dict={x: train_x, y: train_y}))

画图显示

    plt.plot(train_x, train_y, "go", label="我的初始数据")
    plt.plot(train_x, sess.run(w) * train_x + sess.run(b), label='Fitted line')
    plt.legend()
    plt.show()

内容总结

以上是互联网集市为您收集整理的机器学习之线性回归使用Python和tensorflow实现全部内容，希望文章能够帮你解决机器学习之线性回归使用Python和tensorflow实现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

---