【利用Tensorflow 实现和训练线性回归 (Linear Model)】（超级详细，附源代码）

附上github的源代码地址：https://github.com/w1449550206/Linear-regression-with-tensorflow.git

文章目录 1.线性回归的介绍 2.训练数据的获取 3.步骤分析 4.相关的API 运算 矩阵运算 平方 均值 误差 梯度下降优化 5.完整代码 1.准备好数据集，我们制造y=0.8x+0.7的100个样本 2.建立线性模型，目标：求出权重W和偏置b 3.随机初始化w1和b1 4.确定损失函数（预测值与真实值之间的误差）即均方误差 5.梯度下降优化损失：需要制定学习率（超参数） 6.初始化变量 7.开启会话进行训练 8.完整代码 6变量的trainable设置观察

1.线性回归的介绍

根据训练数据，训练一个w1x1+w2x2+…+b = y，有多少个特征，就有多少个权重

2.训练数据的获取

假设随机的一百个点，且只有一个特征，y = wx+b
特征值：训练数据100个样本，100行1列[100, 1]
目标值：y = 0.8*x+0.7 (造数据用的，一开始是不知道的)

3.步骤分析

1.准备好数据集，我们制造y=0.8x+0.7的100个样本 2.建立线性模型，随机初始化w1和b1，y=wx+b，目标求出权重w和偏置b （比如我们随机一个w为0.2，b为0.7，和我们假设已经知道的0.8和0.7差很远，所以接下来要确定损失函数，然后梯度下降优化来找到损失最小的w和b） 3.确定损失函数（预测值与真实值之间的误差），即均方误差 4.梯度下降优化损失：需要制定学习率（超参数）

4.相关的API

运算

矩阵运算

tf.matmul(x,w) 1 平方

tf.square(error) 1 均值

tf.reduce_mean(error) 1 误差

error = tf.reduce_mean(tf.square(y_predict - y_true)) 1

梯度下降优化

tf.train.GradientDescentOptimizer(learning_rate) 1 learing_rate是学习率，一般为0-1之间比较小的值 method: minimize(loss)损失优化 return： 梯度下降op
返回一个节点操作：

optimizer = tf.train.GradientDescentOptimizer(learning_rate = 0.01).minimize(error) 1

5.完整代码

1.准备好数据集，我们制造y=0.8x+0.7的100个样本

# 特征值x，目标值y_true x = tf.random_normal(shape=(100, 1), mean=2, stddev=2) y_true = tf.matmul(x,12

网址：【利用Tensorflow 实现和训练线性回归 (Linear Model)】（超级详细，附源代码） https://www.yuejiaxmz.com/news/view/49509

相关内容

时间序列之季节性
如何选择生活技能详细保姆级攻略！附带兑换码！
Python机器学习及实践——基础篇11（回归树）
7个英国生活家居用品购买网站推荐2024（附优惠码+12%返利）
这份大学生活指南请收好，超详细实用！
健身干货｜健身训练详细教程｜摆脱耗时耗力
22个2022年软件开发的趋势预测及其解读
暑期幼小衔接当回归习惯培养
便利生活，需要“小修小补”回归
【强化学习】如何提高强化学习的学习效率？并请从原理和例子上进行详细解释，1500字

随便看看