Tensorflow 入門篇-最小二乘法的線性迴歸演算法

    本文將藉助Tensorflow來實現最小二乘法的線性迴歸演算法。

    大體的思路：首先生成隨機紊亂的資料集，然後構建線性迴歸的Graph，最後在Session中迭代train器，得到擬合的引數w和b，最後畫出擬合曲線。

最終結果如下圖所示：

1.首先匯入三個庫

import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt

2.生成隨機的資料集，用matplotlib中的pyplot包元件畫出分佈曲線

num_point=100
vectors_set=[]
#print(type(vectors_set))
for i in range(num_point):
    x1=np.random.normal(0.,0.55)
    y1=x1*0.1+0.3+np.random.normal(0.0,0.03)
    vectors_set.append([x1,y1])
x_data=[v[0] for v in vectors_set]
y_data=[v[1] for v in vectors_set]
plt.scatter(x_data,y_data)
plt.show()
 

3.構建線性迴歸Graph

w=tf.Variable(tf.random_uniform([1],-1.,1),name='myw')
b=tf.Variable(tf.zeros([1]),name='myb')
y=w*x_data+b #將自變數x代入，算出預估值
loss=tf.reduce_mean(tf.square(y-y_data,name='mysquare'),name='myloss')#以y與實際值的均方差做為損失值
optimizer=tf.train.GradientDescentOptimizer(0.5)#採用梯度下降法最小化損失
train=optimizer.minimize(loss,name='mytrain')
 

4.在Session中執行，並畫出擬合曲線

sess=tf.Session()
init=tf.global_variables_initializer()
sess.run(init)
print("w=",sess.run(w),"b=",sess.run(b),sess.run(loss))

for step in range(20):
    sess.run(train)
    print("w=",sess.run(w),"b=",sess.run(b),sess.run(loss))
plt.scatter(x_data,y_data,c='g')
plt.plot(x_data,sess.run(w)*x_data+sess.run(b))
plt.show()
 

完工！！

感謝alg-flody 提供的思路幫助，AI領域處女篇，祝好。