关于一元线性回归以及随机梯度下降等基础知识，请大家参考其他文章，这里不做详细介绍。
关于TensorFlow的基础知识请参考本博客的其他文章。
本篇文章只给出实例代码和效果图。
下面给出TensorFlow的一元线性回归代码：
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
num_samples = 100
num_epoch = 200
learning_rate = 0.5
log_dir = "/tmp/log"
x_data = np.random.rand(num_samples).astype("float32")
y_data = x_data * 0.1 + 0.3 + np.random.normal(0, 0.005, num_samples)
w = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
b = tf.Variable(tf.zeros([1]))
y = w * x_data + b
loss = tf.reduce_mean(tf.square(y - y_data))
optimizer = tf.train.GradientDescentOptimizer(learning_rate)
train = optimizer.minimize(loss)
with tf.name_scope('loss'):
tf.summary.scalar('loss', loss)
init = tf.initialize_all_variables()
merged = tf.summary.merge_all()
with tf.Session() as sess:
sess.run(init)
summary_writer = tf.summary.FileWriter(log_dir, sess.graph)
for step in range(num_epoch):
sess.run(train)
result = sess.run(merged)
summary_writer.add_summary(result, step)
summary_writer.close()
# 画图
xy = zip(x_data, y_data)
xy = sorted(xy)
(x_data, y_data) = zip(*xy)
plt.plot(x_data, y_data)
line_xs = np.arange( min(x_data) - 0.1 , max(x_data) + 0.1 , 0.05)
line_ys = w.eval() * line_xs + b.eval()
plt.plot(line_xs, line_ys)
plt.show()效果图如下：
损失函数变化图如下：
几点注意事项：
如果你的tensorflow版本太旧了，可以升级相应版本：
sudo pip install --upgrade tensorflow sudo pip install --upgrade tensorflow-gpu
tensorboard启动命令为：
tensorboard --logdir=/tmp/log
参考：
下面是一个线性回归模型，我们首先准备一组x和y数据，数据本身有线性关系，然后我们定义模型和参数w和b，通过启动session运行后应用只需要根据输入的数据就可以学习到w和b的值。
import tensorflow as tf
import numpy as np
# Prepare train data
train_X = np.linspace(-1, 1, 100)
train_Y = 2 * train_X + np.random.randn(*train_X.shape) * 0.33 + 10
# Define the model
X = tf.placeholder("float")
Y = tf.placeholder("float")
w = tf.Variable(0.0, name="weight")
b = tf.Variable(0.0, name="bias")
loss = tf.square(Y - tf.mul(X, w) - b)
train_op = tf.train.GradientDescentOptimizer(0.01).minimize(loss)
# Create session to run
with tf.Session() as sess:
sess.run(tf.initialize_all_variables())
epoch = 1
for i in range(10):
for (x, y) in zip(train_X, train_Y):
_, w_value, b_value = sess.run([train_op, w, b], feed_dict={X: x, Y: y})
print("Epoch: {}, w: {}, b: {}".format(epoch, w_value, b_value))
epoch += 1经过10轮测试得到的w和b基本符合我们的预期，如果我们给出不同数据集就可以训练出不同的参数，我们也可以考虑使用复杂的模型来学习数据中更复杂的关系。
参考资料：