windows10 tensorflow（二）原理实战之回归分析，深度学习框架（梯度下降法求解回归参数）
TF数据生成方式：参考TF数据生成12法
TF基本原理与概念理解： tensorflow（一）windows 10 64位安装tensorflow1.4与基本概念解读tf.global_variables_initializer
模型：
一个简单的线性回归y = W * x + b，采用numpy构建完整回归数据，并增加干扰噪声
import numpy as np#建立一个一元线性回归方程y=0.1x1+0.3 ,同时一个正太分布偏差np.random.normal(0.0,0.03)用于见证TF的算法num_points=1000vectors_set=[]for i in range(num_points): x1=np.random.normal(loc=0.0,scale=0.66) 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]12345678910
Graphic display出数据分布结果
import matplotlib.pyplot as plt#https://www.cnblogs.com/zqiguoshang/p/5744563.html##line_styles=['ro-','b^-','gs-','ro--','b^--','gs--'] #set line styleplt.plot(x_data,y_data,'ro',marker='^',c='blue',label='original_data') plt.legend() plt.show()123456
通过TensorFlow代码找到最佳的参数W与b，使的输入数据x_data，生成输出数据y_data，本例中将会一条直线y_data=W*x_data+b。读者知道W会接近0.1，b接近0.3，但是TensorFlow并不知道，它需要自己来计算得到该值。因此采用梯度下降法来迭代求解数据
import tensorflow as tf
import math#一、创建graph数据#随便构建一个一元回归方程的参数W与bW=tf.Variable(tf.random_uniform([1], minval=-1.0, maxval=1.0))
b=tf.Variable(tf.zeros([1]))y=W*x_data+b#定义下面的最小化方差#1.定义最小化误差平方根loss=tf.reduce_mean(tf.square(y-y_data))#2.learning_rate=0.5optimizer=tf.train.GradientDescentOptimizer(learning_rate=0.5)#3.最优化最小值train=optimizer.minimize(loss)#二、初始化变量init=tf.global_variables_initializer()#三、启动graphsess=tf.Session()
sess.run(init)
for step in range(8):
sess.run(train)
print("step={},sess.run=(W)={},sess.run(b)={}".format(step,sess.run(W),sess.run(b)))1234567891011121314151617181920212223242526以下是迭代8次的结果。梯度就像一个指南针，指引我们朝着最小的方向前进。为了计算梯度，TensorFlow会对错误函数求导，在我们的例子中就是，算法需要对W和b计算部分导数，以在每次迭代中为前进指明方向。
下面是每次迭代的可视化效果图：
#Graphic display # print(sub_1+'41') #注意：各参数可以用逗号,分隔开。第一个参数代表子图的行数；第二个参数代表该行图像的列数； 第三个参数代表每行的第几个图像，从左致右，从上到下一次增加。 plt.subplot(4,2,step+1) plt.plot(x_data,y_data,'ro') plt.plot(x_data,sess.run(W)*x_data+ sess.run(b),label=step) plt.legend() plt.show()123456789