这篇文章主要为大家详细介绍了使用TensorFlow实现简单线性回归模型，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
本文使用TensorFlow实现最简单的线性回归模型，供大家参考，具体内容如下
线性拟合y=2.7x+0.6，代码如下:
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
n = 201 # x点数
X = np.linspace(-1, 1, n)[:,np.newaxis] # 等差数列构建X，[:,np.newaxis]这个是shape，这一行构建了一个n维列向量（[1,n]的矩阵）
noise = np.random.normal(0, 0.5, X.shape) # 噪声值，与X同型
Y = X*2.7 + 0.6 + noise # Y
xs = tf.placeholder(tf.float32, [None, 1]) # 下面两行是占位符tf.placeholder(dtype, shape)
ys = tf.placeholder(tf.float32, [None, 1])
w = tf.Variable(1.1) # 这两行是weight变量，bias变量，括号中是初始值
b = tf.Variable(0.2)
ypredict = tf.add(w*xs,b) # 根据 w, b 产生的预测值
loss = tf.reduce_sum(tf.pow(ys-ypredict,2.0))/n # 损失函数，tf.reduce_sum()按某一维度元素求和，默认为按列
optimizer = tf.train.GradientDescentOptimizer(0.01).minimize(loss) # 梯度下降优化器，0.01学习率，最小化losss
init = tf.global_variables_initializer() # 初始化所有变量
with tf.Session() as sess:
sess.run(init) # 运行初始化
for i in range (1000): # 迭代1000次
sess.run(optimizer, feed_dict = {xs:X,ys:Y}) # 运行优化器，梯度下降用到loss，计算loss需要xs, ys所以后面需要feed_dict
if i%50==0: # 每隔50次迭代输出w,b,loss
# 下面sess.run(w),sess.run(b)里面没有feed_dict是因为打印w,b不需要xs,ys，而打印loss需要
print ("w:",sess.run(w),"\t b:", sess.run(b), "\t loss:", sess.run(loss,feed_dict={xs:X,ys:Y}))
plt.plot(X,X*sess.run(w)+sess.run(b)) # 运行迭代之后绘制拟合曲线，这需要在sess里面运行是因为要用到w,b
plt.scatter(X,Y) # 绘制被拟合数据（散点）
plt.show() # 绘制图像
结果：
w: 1.1106868 b: 0.2086223 loss: 1.2682248 w: 1.5626049 b: 0.4772562 loss: 0.7024503 w: 1.8849733 b: 0.57508457 loss: 0.47280872 w: 2.1149294 b: 0.61071056 loss: 0.36368176 w: 2.278966 b: 0.6236845 loss: 0.30917725 w: 2.3959787 b: 0.6284093 loss: 0.2815788 w: 2.4794474 b: 0.6301298 loss: 0.26755357 w: 2.5389886 b: 0.63075644 loss: 0.26041925 w: 2.5814607 b: 0.6309848 loss: 0.2567894 w: 2.611758 b: 0.6310678 loss: 0.25494233 w: 2.6333694 b: 0.6310981 loss: 0.25400248 w: 2.6487865 b: 0.631109 loss: 0.2535242 w: 2.659784 b: 0.63111293 loss: 0.25328085 w: 2.6676288 b: 0.6311139 loss: 0.25315702 w: 2.6732242 b: 0.6311139 loss: 0.25309405 w: 2.6772156 b: 0.6311139 loss: 0.25306198 w: 2.6800632 b: 0.6311139 loss: 0.25304565 w: 2.6820953 b: 0.6311139 loss: 0.25303733 w: 2.6835444 b: 0.6311139 loss: 0.25303313 w: 2.684578 b: 0.6311139 loss: 0.25303096
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。
版权声明：
本站所有资源均为站长或网友整理自互联网或站长购买自互联网，站长无法分辨资源版权出自何处，所以不承担任何版权以及其他问题带来的法律责任，如有侵权或者其他问题请联系站长删除！站长QQ754403226 谢谢。
