• 欢迎访问开心洋葱网站,在线教程,推荐使用最新版火狐浏览器和Chrome浏览器访问本网站,欢迎加入开心洋葱 QQ群
  • 为方便开心洋葱网用户,开心洋葱官网已经开启复制功能!
  • 欢迎访问开心洋葱网站,手机也能访问哦~欢迎加入开心洋葱多维思维学习平台 QQ群
  • 如果您觉得本站非常有看点,那么赶紧使用Ctrl+D 收藏开心洋葱吧~~~~~~~~~~~~~!
  • 由于近期流量激增,小站的ECS没能经的起亲们的访问,本站依然没有盈利,如果各位看如果觉着文字不错,还请看官给小站打个赏~~~~~~~~~~~~~!

基于tensorflow的一元线性回归详细讲解

人工智能 一三五 1802次浏览 0个评论

基于tensorflow的一元线性回归详细讲解

官方代码: https://github.com/MorvanZhou/Tensorflow-Tutorial/blob/master/tutorial-contents/301_simple_regression.py

根据例子,代码详解请查看代码后面的注释   训练之前自己的数据   基于tensorflow的一元线性回归详细讲解   训练之后的曲线   基于tensorflow的一元线性回归详细讲解   “”” Know more, visit my Python tutorial page: https://morvanzhou.github.io/tutorials/ My Youtube Channel: https://www.youtube.com/user/MorvanZhou Dependencies: tensorflow: 1.1.0 matplotlib numpy “”” import tensorflow as tf import matplotlib.pyplot as plt import numpy as np  

tf.set_random_seed(1)  #设置图形级随机seed没看太懂
np.random.seed(1)

# fake data
x = np.linspace(-1, 1, 100)[:, np.newaxis]          # shape (100, 1)
noise = np.random.normal(0, 0.1, size=x.shape)
y = np.power(x, 2) + noise                          # shape (100, 1) + some noise

# plot data
plt.scatter(x, y)
plt.show()
#出现占位符,下面运行时必须要有sess.run(ys,feed={'xs':input,'ys':output})
tf_x = tf.placeholder(tf.float32, x.shape)     # input x   
tf_y = tf.placeholder(tf.float32, y.shape)     # input y

# neural network layers
#相当于添加一个层,即初学的add_layer()函数
l1 = tf.layers.dense(tf_x, 10, tf.nn.relu)          # hidden layer
output = tf.layers.dense(l1, 1)                     # output layer
#ValueError:如果predictions与labels的形状不匹配,或者形状weights是无效,亦或,如果labels或是predictions为None,则会引发此类异常.
loss = tf.losses.mean_squared_error(tf_y, output)   # compute cost
optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.5)  #优化器或者叫传播误差
train_op = optimizer.minimize(loss)   

sess = tf.Session()                                 # control training and others
sess.run(tf.global_variables_initializer())         # initialize var in graph

plt.ion()   # something about plotting 打开交互式界面

for step in range(100):
    # train and net output
    _, l, pred = sess.run([train_op, loss, output], {tf_x: x, tf_y: y})
    if step % 5 == 0:
        # plot and show learning process
 #       cla()   # Clear axis即清除当前图形中的当前活动轴。其他轴不受影响。
#        clf()   # Clear figure清除所有轴,但是窗口打开,这样它可以被重复使用。
#        close() # Close a figure window
        plt.cla()   #清除活动轴的信息
        plt.scatter(x, y)    #绘制散点图 plt.scatter(x, y,s) 
        plt.plot(x, pred, 'r-', lw=5)  #显示连接线
        plt.text(0.5, 0, 'Loss=%.4f' % l, fontdict={'size': 20, 'color': 'red'})       #在plot上显示文字
            plt.pause(0.1)  #暂停0.1s
   # 在plt.show()之前一定不要忘了加plt.ioff(),如果不加,界面会一闪而过,并不会停留
    plt.ioff()    
    plt.show()

 


开心洋葱 , 版权所有丨如未注明 , 均为原创丨未经授权请勿修改 , 转载请注明基于tensorflow的一元线性回归详细讲解
喜欢 (0)

您必须 登录 才能发表评论!

加载中……