TensorFlow学习_LogicRegression_using_GrandientDescent

#-*- coding:UTF8 -*-
#梯度下降法解决线性回归
import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf

#构建数据
point_nums = 100
vector = []

#用numpy的正态随机分布函数生成100个点
#这些点(x,y)对应线性方程 y = 0.5 * x + 0.05
#权重(Weight)0.5,偏差(Bias)0.05
for i in range(point_nums):
    x1 = np.random.normal(0.0, 0.4)
    y1 = 0.5 * x1 + 0.05 + np.random.normal(0.0, 0.2)
    vector.append([x1,y1])

x_data = [v[0] for v in vector]
y_data = [v[1] for v in vector]


plt.plot(x_data,y_data,'r*',label='original_data')
plt.legend()
plt.show()

#构建线性模型
W = tf.Variable(tf.random_uniform([1],-1,1)) #random_uniform(shape, minval,maxval,dtype=tf.float32,seed=None,name=None)
b = tf.Variable(tf.zeros([1]))
y = W * x_data + b

#定义损失函数loss function 或 cost function
loss = tf.reduce_mean(tf.square(y-y_data))

#梯度下降优化器来进行优化loss function
optimizer = tf.train.GradientDescentOptimizer(0.5) #learning_rate = 0.5
train = optimizer.minimize(loss)

#创建会话Sessions()
sess = tf.Session()

#全局初始化
init = tf.global_variables_initializer()
sess.run(init)

#训练20次
for step in range(20):
    #优化每一步
    sess.run(train)
    print('step:%s, train:%s, weight:%s, bias:%s'%(step, sess.run(train), sess.run(W), sess.run(b)))

plt.plot(x_data, y_data, 'r*', label = 'original_data')
plt.plot(x_data, sess.run(W) * x_data + sess.run(b), 'b', label = 'fitting_line')
plt.legend()
plt.show()

sess.close()

刚开始学习Tensorflow，发现tf确实是一个很强大的框架，内置函数很多，np里面有的tf内大部分也有，并且能用matplotlib包像matlab一样绘制图像。

并且在对于在对于建模上面google做的越来越好，增加了tensorboard和playground，虽然暂时还未用到实际练习当中 : (

对于learning rate的设置和优化loss_function的方法，还需进一步学习！