import tensorflow as tf
import numpy as np
import matplotlib.pyplot as pltnum_points=1000
vectors_set=[] 
for i in range(num_points):x1= np.random.normal(0.0, 0.05)#均值為0，標準差為0.05的隨機值y1= x1*0.2+0.6+np.random.normal(0.0, 0.01) #加上小范圍的數據浮點vectors_set.append([x1,y1])  #將x，y的值統一到向量中#生成的樣本點
x_data=[v[0] for v in vectors_set]
y_data=[v[1] for v in vectors_set]plt.scatter(x_data,y_data,c='r')
plt.show()

#初始化1維矩陣W，取值在[-1,1]之間
W = tf.Variable(tf.random_uniform([1],-1.0,1.0), name='W')#初始化1維矩陣b，取值為0
b = tf.Variable(tf.zeros([1]), name='b')#計算預測值y
y = W*x_data+b#計算損失值（預測值與真實值間的均方差）
loss = tf.reduce_mean(tf.square(y-y_data),name='loss')#采用梯度下降優化參數（W，b）
optimizer = tf.train.GradientDescentOptimizer(0.5)#學習率為0.5#最小化損失值
train = optimizer.minimize(loss,name='loss')init_op = tf.global_variables_initializer()
with tf.Session() as sess:sess.run(init_op)print("W = " ,sess.run(W),"b = " ,sess.run(b),"loss = ", sess.run(loss))#訓練1000次訓練for step in range(1000):  #迭代步數sess.run(train)print("W = " ,sess.run(W),"b = ", sess.run(b),"loss = " ,sess.run(loss))plt.scatter(x_data,y_data,c='r') #描繪樣本點plt.scatter(x_data,sess.run(W)*x_data+sess.run(b))#描繪回歸結果plt.show()

……

在訓練中loss不斷減少，W和b逐漸趨于穩定。

總結

以上是生活随笔為你收集整理的线性回归：代码实现的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。