1 #线性回归：用线性模型y=Wx+b拟合sin
2 import numpy as np
3 import matplotlib.pyplot as plt
4 import tensorflow as tf
5
6 #数据，标签
7 x_data = np.linspace(-2*np.pi,2*np.pi,300)
8 noise = np.random.normal(-0.01,0.05,x_data.shape)
9 y_label = np.sin(x_data) + noise
10 plt.rcParams['font.sans-serif']=['FangSong'] # 用来正常显示中文标签
11 plt.rcParams['axes.unicode_minus']=False# 用来正常显示负号
12 plt.title('线性模型y=Wx+b拟合sin')
13 plt.legend()
14 plt.grid(True)
15 plt.plot(x_data, y_label, 'b.', label='测试数据')
16
17 #静态图定义
18 mg = tf.Graph()
19 with mg.as_default():
20 #图输入
21 X = tf.placeholder("float")
22 Y = tf.placeholder("float")
23
24 #训练权重w,b
25 W = tf.Variable(np.random.randn(), name="weight")
26 b = tf.Variable(np.random.randn(), name="bias")
27
28 #线性模型y=Wx+b
29 pred = tf.add(tf.multiply(X, W), b)
30
31 #损失函数:使用样本方差
32 cost = tf.reduce_sum(tf.pow(pred-Y, 2)) / (len(x_data)-1)
33
34 #使用梯度下降法优化
35 optimizer = tf.train.GradientDescentOptimizer(0.01).minimize(cost)
36
37 #初始化图变量
38 init = tf.group(tf.global_variables_initializer(),
39 tf.local_variables_initializer())
40
41 with tf.Session(graph=mg) as sess:
42 sess.run(init)
43 for epoch in range(500):
44 for (x, y) in zip(x_data, y_label):
45 sess.run(optimizer, feed_dict={X: x, Y: y})
46 if (epoch+1) % 10 == 0:
47 c = sess.run(cost, feed_dict={X: x_data, Y:y_label})
48 print('epoch={:} cost={:0.6f} W={:0.6f} b={:0.6f}'.format(epoch+1,c,sess.run(W),sess.run(b)))
49 training_cost = sess.run(cost, feed_dict={X: x_data, Y: y_label})
50 print('训练结果 cost={:0.6f} W={:0.6f} b={:0.6f}'.format(training_cost,sess.run(W),sess.run(b)))
51 plt.plot(x_data, sess.run(W) * x_data + sess.run(b),'r--' , label='拟合数据')
52 plt.legend()
53 plt.show()
原文地址：https://www.cnblogs.com/ace007/p/10360547.html
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。