tensorflow学习(2)线性回归 - 个人主页

线性回归

整个工作过程是

1创建需要拟合的数据

2创建需要学习的变量（变量是学习出来的）

3设置预测函数，如何输出回归结果

4创建损失函数

5创建学习算法

6创建最优化的方法

7初始化所有的变量和整个图

8启动图

import tensorflow as tf
import  numpy as np


x_data=np.random.rand(100).astype(np.float32)
y_data=x_data*0.1+0.3
#创建数据，随机生成一个数据
weights=tf.Variable(tf.random.uniform([1],-1.0,1.0))
#创建权重变量，变量是一个数，这个数是一个分布在-1到1之间的均匀分布
biases=tf.Variable(tf.zeros([1]))#创建偏执变量
#创建一个偏置
y=x_data*weights+biases
#创建一个预测函数


loss=tf.reduce_mean(tf.square(y-y_data))  
#创建损失函数，reduce_mean()函数是指定轴上求平均如果未指定则求所           
 有值平均
op=tf.train.GradientDescentOptimizer(0.5) #创建学习方法
train=op.minimize(loss)#创建最优化的方式
init=tf.global_variables_initializer()#初始化参数变量


seen=tf.Session()#启动图
seen.run(init)

for i in range(50):
    seen.run(train)
    print(i,seen.run(weights),seen.run(biases))
    #输出变量的值

FEATURED TAGS

c语言 c++ 面向对象指针容器 python 函数数据结构回归损失函数神经网络机器学习似然函数极大似然标准化深度学习卷积网络参数估计 beta分布数据处理 gradio 模型工程化网页模型加速工具 c++实现变量占位符 tensorflow 线性回归学习tensorflow HMM RNN 强化学习 LSTM pandas 不定长序列损失 pytorch 目标检测 RPN 非极大值抑制 ROIpooling VGG16 Transformer BERT Python 装饰器方法 Pytorch FPN 图像分类 CNN 多模态生成 GPT Tranformer 生成模型 audio

线性回归

整个工作过程是

CATALOG

FEATURED TAGS