首先构建一个线性的点状图

import warnings
warnings.filterwarnings('ignore')
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
from sklearn.linear_model import LinearRegression
import tensorflow as tf X = np.linspace(2,12,50).reshape(-1,1)w = np.random.randint(1,6,size = 1)[0]b = np.random.randint(-5,5,size = 1)[0]
y = X*w + b + np.random.randn(50,1)*0.7plt.scatter(X,y)

查看X,y的类型

print(X.shape,y.shape)

(50, 1) (50, 1)

使用线性回归查看预测的系数为了对比TF

linear = LinearRegression()linear.fit(X,y)print(linear.coef_,linear.intercept_)

[[3.05044116]] [-1.33814071]

print(w,b) #最后测试对比

3 -1

Tensorflow完成线性回归

1、定义占位符、变量

# 线性回归理论基础是最小二乘法
X_train = tf.placeholder(dtype=tf.float32,shape = [50,1],name = 'data')y_train = tf.placeholder(dtype=tf.float32,shape = [50,1],name = 'target')w_ = tf.Variable(initial_value=tf.random_normal(shape = [1,1]),name = 'weight')b_ = tf.Variable(initial_value=tf.random_normal(shape = [1]),name = 'bias')

2、构造方程（线性方程，矩阵乘法）

# 构建方程 f(x) = Xw + b
# 构建的方程，就是预测的结果
y_pred = tf.matmul(X_train,w_) + b_
# shape = (50,1)
y_pred

<tf.Tensor ‘add:0’ shape=(50, 1) dtype=float32>

3、最小二乘法（平均最小二乘法）

$$cost=\frac{1}{m}\sum _{i=0}^M(y-y_{pred}{)}^2$$

# 二乘法(y_pred - y_train)**2 返回的结果是列表，没有办法比较大小
# 平均最小二乘法，数值，mean
# 平均：每一个样本都考虑进去了
cost = tf.reduce_mean(tf.pow(y_pred - y_train,2))
cost

<tf.Tensor ‘Mean_1:0’ shape=() dtype=float32>

4、梯度下降（tf，提供了方法）

# 优化，cost损失函数，越小越好
opt = tf.train.GradientDescentOptimizer(0.01).minimize(cost)
opt

<tf.Operation ‘GradientDescent_1’ type=NoOp>

5、会话进行训练（for循环），sess.run()，占位符（赋值）

with tf.Session() as sess:#     变量，初始化sess.run(tf.global_variables_initializer())for i in range(1000):opt_,cost_ = sess.run([opt,cost],feed_dict = {y_train:y,X_train:X})if i %50 == 0:print('执行次数是：%d。损失函数值是：%0.4f'%(i+1,cost_))
#     for循环结束，训练结束了
#     获取斜率和截距W,B = sess.run([w_,b_])print('经过100次训练，TensorFlow返回线性方程的斜率是：%0.3f。截距是：%0.3f'%(W,B))

执行次数是：1。损失函数值是：581.9765
执行次数是：51。损失函数值是：1.3099
执行次数是：101。损失函数值是：1.0826
。。。
执行次数是：951。损失函数值是：0.4290
经过100次训练，TensorFlow返回线性方程的斜率是：3.033。截距是：-1.194

6、可视化

plt.scatter(X,y)x = np.linspace(0,14,100)plt.plot(x,W[0]*x + B,color = 'green')