1 def myregression():
 2     #由於在tensofflow2.0以上的版本，eager execution 是預設開啟的。如果不加此語句，直接執行程式將會報錯
 3     tf.compat.v1.disable_eager_execution()
 4     '''
 5     自實現一個線性迴歸預測
 6     :return:
 7     '''
 8     #1.準備資料，x特徵值[100,1]，y目標值[100]
 9     x=tf.compat.v1.random_normal([100,1],mean=1.75,stddev=0.5,name='
 
x_data')
10     #假設y的真實值為y=0.7x+0.8,a的值隨機給為0.7，b偏置的值隨機給0.8
11     #矩陣相系必須是二維的，故[[0.7]]  y_true為訓練集資料
12     y_true=tf.matmul(x,[[0.7]])+0.8  
13 
14     #第二步：建立線性迴歸模型。確認了只有一個特徵，故只有一個權重，一個偏置 y= w x+b
15     #隨機給一個權重和偏置的值，讓他去計算損失，然後當前狀態下優化
16     #因為權重訓練的過程中，不斷變化，故初始化用的是variable.mean和stddev隨機給為0.0，1.0
17     weight=tf.Variable(tf.compat.v1.random_normal([1,1],mean=0.0,stddev=1.0,name='
 
w'))
18     #偏置初始值為0.0，後面下降時不斷+1
19     bias=tf.Variable(0.0,name='b')
20     #預測的結果=x * weight +bias
21     y_predict=tf.matmul(x,weight)+bias
22 
23     #3、建立損失波函式，均方誤差.--先求每個樣本的誤差的平方，然後將誤差平方進行求和之後求平均值。 即全部相減求平方之後再相加的總數再除以樣本數
24     #最後返回其損失
25     loss=tf.math.reduce_mean(tf.math.square(y_true-y_predict))
 
26 
27     #4、梯度下降優化損失 learning_rate隨機指定.最小化損失.返回op
28     train_op=tf.compat.v1.train.GradientDescentOptimizer(learning_rate=0.1).minimize(loss)
29 
30     #定義一個初始化變數的op
31     init_op=tf.compat.v1.global_variables_initializer()
32     #通過會話執行程式
33     with tf.compat.v1.Session() as sess:
34         #初始化變數
35         sess.run(init_op)
36         #列印隨機最先初始化的權重和偏置
37         print('隨機初始化的引數權重為：%f,偏置為%f'%(weight.eval(),bias.eval()))#因為weigth和bias都為op,不能直接調出數值
38 
39         #執行優化，由於不是一次效能優化，故要迴圈，假設訓練100次
40         #迴圈1000次後，發現已經靠近w--0.7,b==0.8
41         for i in range(1010):
42             sess.run(train_op)
43             print('引數權重為：%f,偏置為%f' % (weight.eval(), bias.eval()))  # 因為weigth和bias都為op,不能直接調出數值
44     return None