回顾
1、算法：线性回归
y = k x + b y = kx + by=kx+b
2、策略：均方误差
3、优化：梯度下降
步骤
1、准备好特征值和目标值
2、建立模型，随机初始化准备权重w和偏置b
3、求损失函数，误差，均方误差
4、梯度下降去优化损失过程，指定学习率
矩阵相乘
(m行，n列) * （n 行, 1列） = (m行， 1列) + 偏置
TensorFlow运算API
# 矩阵运算 tf.matmul(x, w) # 平方 tf.square(error) # 均值 tf.reduce_mean(error)
梯度下降API
tf.train.GradientDescentOptimizer(learning_rate)
参数：
learning_rate 学习率
方法：
minimize(loss)
return 梯度下降op
tips：模型参数必须用变量定义
代码实现
# -*- coding: utf-8 -*- """ 实现一个线性回归预测 """ import tensorflow as tf # 1、准备数据，x 特征值[100, 1] y 目标值 [100] x = tf.random_normal((100, 1), mean=1.75, stddev=0.5, name="x_data") # 矩阵相乘必须是二维的 y_true = tf.matmul(x, [[0.7]]) + 0.8 # 2、建立线性回归模型 1个特征，1个权重，1个偏置 y = xw + b # 随机给一个权重和偏置的值，让他们去计算损失，然后在当前状态下优化 # 用变量定义才能优化 weight = tf.Variable(tf.random_normal([1, 1], mean=0.0, stddev=1.0), name="weight") bias = tf.Variable(0.0, name="bias") y_predict = tf.matmul(x, weight) + bias # 3、建立损失函数，均方误差 loss = tf.reduce_mean(tf.square(y_true - y_predict)) # 4、梯度下降优化损失，学习率learn_rate 0,1,2,3,5,7,10 train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss) # 定义一个初始化变量的op init_op = tf.global_variables_initializer() # 通过会话运行程序 with tf.Session() as sess: # 初始化变量 sess.run(init_op) # 打印随机最先初始化的权重和偏置 print("初始化的参数权重：{}, 偏置：{}".format(weight.eval(), bias.eval())) # 运行优化 for i in range(200): sess.run(train_op) print("第 {} 次优化 参数权重：{}, 偏置：{}".format(i, weight.eval(), bias.eval()))
计算结果
初始化的参数权重：[[0.313286]], 偏置：0.0 第 0 次优化 参数权重：[[0.86829025]], 偏置：0.2980913817882538 第 1 次优化 参数权重：[[0.9330569]], 偏置：0.3393169939517975 第 2 次优化 参数权重：[[0.9391256]], 偏置：0.34980931878089905 第 3 次优化 参数权重：[[0.9435929]], 偏置：0.35885265469551086 ... 第 197 次优化 参数权重：[[0.7236507]], 偏置：0.7558320760726929 第 198 次优化 参数权重：[[0.7237728]], 偏置：0.7565979361534119 第 199 次优化 参数权重：[[0.72236484]], 偏置：0.7566843032836914
计算越多，计算结果越接近真实值
