跟着網易雲課堂上面的免費公開課深度學習應用開發Tensorflow實踐學習，學到線性回歸這里感覺有很多需要總結，梳理記錄下階段性學習內容。
題目：通過生成人工數據集合，基於TensorFlow實現y=2*x+1線性回歸
使用Tensorflow進行算法設計與訓練的核心步驟
（1）准備數據
（2）構建模型
（3）訓練模型
（4）進行預測
#線性回歸問題
#******************一、准備數據:**********************
#生成人工數據集
# 在Jupter中，使用matplotlib顯示圖像需要設置為inline模式，否則不會顯示圖像
%matplotlib inline
import matplotlib.pyplot as plt #載入matplotlib，用於繪圖
import numpy as np #載入numpy,numpy是Python進行科學計算時的基礎模塊
import tensorflow as tf #載入Tensorflow
#設置隨機種子。訓練之后結果隨機，隨機種子起到固定初始值的作用，為了訓練之后得到一樣的結果
np.random.seed(5)
#直接采用np生成等差數列的方法，生成100個點，每個點的取值在-1~1之間
x_data = np.linspace(-1,1,100)
# y = 2x +1 + 噪聲，其中，噪聲的維度與x_data一致
y_data = 2 * x_data + 1.0 + np.random.randn(*x_data.shape) * 0.4
#***********************二、構建線性模型*************************
#定義訓練數據的占位符，x是特征，y是標簽值
x = tf.placeholder("float",name= "x")
y = tf.placeholder("float",name = "y")
#定義模型函數
def model(x,w,b):
return tf.multiply(x,w) + b
#定義模型結構
#Tensorflow變量的聲明函數是tf.Variable。tf.Variable的作用是保存和更新函數，變量的初始值可以是隨機數、常數，或是通過其他變量的初始值計算得到
#構建線性函數的斜率，變量w
w = tf.Variable(1.0,name = "w0")
#構建線性函數的截距，變量b
b = tf.Variable(0.0,name = "b0")
#pred是預測值，前向計算
pred = model(x,w,b)
#************************三、訓練模型*******************************
#設置訓練參數
#迭代次數（訓練輪數）
train_epochs = 10
#學習率
learning_rate = 0.05
#定義優化器、最小損失函數
#定義損失函數,損失函數用於描述預測值與真實值之間的差別，從而指導模型收斂方向。常見損失函數：均方差、交叉熵
#采用均方差作為損失函數
loss_function = tf.reduce_mean(tf.square(y-pred))
#定義優化器
#定義優化器Optimizer,初始化一個GradientDescentOptimizer(梯度下降優化器)
#設置學習率和優化目標：最小化損失
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)
#創建會話
#聲明會話
sess = tf.Session()
#變量初始化
#在真正執行計算前，需要將所有變量初始化。通過tf.global_variables_initializer函數可實現對所有變量的初始化
init = tf.global_variables_initializer()
sess.run(init)
#迭代訓練
#模型訓練階段，設置迭代輪次，每次通過將樣本逐個輸入模型，進行梯度下降優化操作。每輪迭代后，繪制出模型曲線
#開始訓練，輪次為epoch，采用SGD隨機梯度下降優化方法
for epoch in range(train_epochs):
for xs,ys in zip(x_data,y_data):
_,loss = sess.run([optimizer,loss_function],feed_dict={x:xs,y:ys})
b0temp = b.eval(session=sess)
w0temp = w.eval(session=sess)
plt.plot(x_data,w0temp * x_data + b0temp) #畫圖
#結果查看。當訓練完成后，打印查看參數。數據每次運行都可能會有所不同
print("w:",sess.run(w)) #w的值應該在2附近
print("b:",sess.run(b)) #b的值應該在1附近
#結果可視化
plt.scatter(x_data,y_data,label='Original data')
plt.plot(x_data,x_data*sess.run(w) + sess.run(b),label='Fitted line',color='r',linewidth=3)
plt.legend(loc=2) #通過參數loc指定圖例位置
#*********************四、利用學習到的模型進行預測*******************
x_test = 3.21
predict = sess.run(pred,feed_dict={x:x_test})
print("預測值: %f"%predict)
target = 2 * x_test + 1.0
print("目標值: %f"%target)
題目二：通過生成人工數據集合，基於TensorFlow實現y=3.1234*x+2.98線性回歸
# 在Jupter中，使用matplotlib顯示圖像需要設置為inline模式，否則不會顯示圖像 %matplotlib inline import matplotlib.pyplot as plt #載入matplotlib import numpy as np #載入numpy import tensorflow as tf #載入Tensorflow #設置隨機種子 np.random.seed(5) #直接采用np生成等差數列的方法，生成100個點，每個點的取值在-1~1之間 x_data = np.linspace(-1,1,100) # y = 3.1234x +2.98 + 噪聲， 其中， 噪聲的唯度與x_data一致 y_data = 3.1234*x_data + 2.98 + np.random.randn(*x_data.shape)*0.4 x = tf.placeholder("float",name = "x") y = tf.placeholder("float",name = "y") def model(x,w,b): return tf.multiply(x,w)+b # 構建線性函數的斜率， 變量w w = tf.Variable(1.0,name="w") # 構建線性函數的截距，變量b b = tf.Variable(0.0, name="b0") #pred是預測值，前向計算 pred = model(x,w,b) # 迭代次數（訓練輪數） train_epochs = 10 # 學習率 learning_rate = 0.05 # 采用均方差作為損失函數 loss_function = tf.reduce_mean(tf.square(y-pred)) # 梯度下降優化器 optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function) sess = tf.Session() init = tf.global_variables_initializer() sess.run(init) # 開始訓練，輪數為 epoch，采用SGD隨機梯度下降優化方法 #zip為組裝，x，y都為一維數組. zip 把x，y組裝起來也為一維數組，每個單元為（x，y） for epoch in range(train_epochs): for xs,ys in zip(x_data, y_data): #優化器給了一個下划線，loss_function 給了loss _, loss=sess.run([optimizer,loss_function],feed_dict={x: xs, y:ys}) plt.scatter(x_data,y_data,label='Original data') plt.plot(x_data,x_data*sess.run(w)+sess.run(b),\ label='Fitted line',color='r',linewidth=3) plt.legend(loc=2)#通過參數loc指定圖例位置 print("w: ", sess.run(w)) #w的值應該在3.1234附近 print("b: ",sess.run(b)) #b的值應該在2.98附近