小白学Tensorflow之线性回归

利用Tensorflow构建一个线性回归模型。
第一，我们构建一个目标方程： y=2x

# 构建一个方程 trY = 2 * trX，并且加入一些随机干扰项
trX = np.linspace(-1, 1, 101)trY = 2 * trX + np.random.rand(*trX.shape) * 0.123 

第二，我们需要创建一些变量和占位符，在Tensorflow计算过程中会使用到。

# 创建两个占位符，数据类型是 tf.float32
X = tf.placeholder(tf.float32)
Y = tf.placeholder(tf.float32)
# 创建一个变量系数 w , 最后训练出来的值，应该接近 2 
w = tf.Variable(0.0, name = "weights")

第三，我们构建需要优化的模型：y_model = w*x。

y_model = tf.mul(X, w)

第四，我们定义损失函数和梯度下降方法来训练我们的模型。

# 定义损失函数 (Y - y_model)^2
cost = tf.square(Y - y_model)
# 定义学习率learning_rate = 0.01
# 使用梯度下降来训练模型，学习率为 learning_rate , 训练目标是使损失函数最小
train_op = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)

完整代码，如下：

#!/usr/bin/env python
# -*- coding: utf-8 -*-
import numpy as np
import tensorflow as tf 
# 构建一个方程 trY = 2 * trX，并且加入一些随机干扰项
trX = np.linspace(-1, 1, 101)
trY = 2 * trX + np.random.rand(*trX.shape) * 0.123 
# 创建两个占位符，数据类型是 tf.float32
X = tf.placeholder(tf.float32)
Y = tf.placeholder(tf.float32)
# 创建一个变量系数 w , 最后训练出来的值，应该接近 2 
w = tf.Variable(0.0, name = "weights")
y_model = tf.mul(X, w)
# 定义损失函数 (Y - y_model)^2
cost = tf.square(Y - y_model)
# 定义学习率
learning_rate = 0.01
# 使用梯度下降来训练模型，学习率为 learning_rate , 训练目标是使损失函数最小
train_op = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)
with tf.Session() as sess:  
  # 初始化所有的变量 
  init = tf.initialize_all_variables() sess.run(init) 
  # 对模型训练100次 
  for i in xrange(100): 
    for (x, y) in zip(trX, trY): 
      sess.run(train_op, feed_dict = {X: x, Y: y}) 
  # 输出 w 的值 
  print sess.run(w)