Tensorflow 2.0 线性回归

最新推荐文章于 2022-03-06 20:06:51 发布

原创最新推荐文章于 2022-03-06 20:06:51 发布 · 345 阅读

0 ·

CC 4.0 BY-SA版权

代码同时被 2 个专栏收录

27 篇文章

订阅专栏

深度学习

11 篇文章

订阅专栏

本文通过使用TensorFlow框架，实现了一个简单的线性回归模型。该模型通过最小化预测值与真实值之间的均方误差来调整权重和偏置，最终达到拟合数据集的目的。文章展示了完整的代码实现过程，包括数据生成、模型定义、损失函数设置、优化器选择及训练过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

import tensorflow as tf
import matplotlib.pyplot as plt

print(tf.keras.__version__)


class Model(object):
    def __init__(self):
        self.W = tf.Variable(5.0)
        self.b = tf.Variable(0.0)

    def __call__(self, x):
        return self.W * x + self.b


model = Model()

assert model(3.0).numpy() == 15.0


@tf.function
def loss(predicted_y, desired_y):
    return tf.losses.MSE(desired_y, predicted_y)


TRUE_W = 3.0
TRUE_b = 2.0
NUM_EXAMPLES = 1000

inputs = tf.random.normal(shape=[NUM_EXAMPLES])
noise = tf.random.normal(shape=[NUM_EXAMPLES])
outputs = inputs * TRUE_W + TRUE_b + noise


plt.scatter(inputs, outputs, c='b')
plt.scatter(inputs, model(inputs), c='r')
plt.show()

print('Current loss: '),
print(loss(model(inputs), outputs).numpy())

opt = tf.optimizers.SGD(0.1)


@tf.function
def train(models, input_data, output_data, learning_rate):
    with tf.GradientTape() as t:
        _loss = loss(models(input_data), output_data)
        dw, db = t.gradient(_loss, [models.W, models.b])
        opt.apply_gradients(zip([dw, db], [models.W, models.b]))


# 收集 W 和 b 的历史数值，用于显示
Ws, bs = [], []
epochs = range(10)
for epoch in epochs:
    Ws.append(model.W.numpy())
    bs.append(model.b.numpy())
    current_loss = loss(model(inputs), outputs)

    train(model, inputs, outputs, learning_rate=0.01)
    print('Epoch %2d: W=%1.2f b=%1.2f, loss=%2.5f' %
          (epoch, Ws[-1], bs[-1], current_loss))

# 显示所有
plt.plot(epochs, Ws, 'r', epochs, bs, 'b')
plt.plot([TRUE_W] * len(epochs), 'r--', [TRUE_b] * len(epochs), 'b--')
plt.legend(['W', 'b', 'true W', 'true_b'])
plt.show()