线性回归

import tensorflow as tfimport numpy as np#Matplotlib是一个Python的图形框架，类似于MATLAB和R语言import matplotlib.pyplot as plt#随机生成1000个点 围绕在y=0.1x+0.3的直线周围num_points=1000   #生成随机点vectors_set=[]for i in range(num_points):     #循环1000次    x1=np.random.normal(0.0,0.55)  #数据点的横坐标 高斯初始化    y1=x1*0.1+0.3+np.random.normal(0.0,0.03) #加上了小范围的分布 也是高斯分布    vectors_set.append([x1,y1])       #把数据点放到vectors_set中#生成一些样本x_data=[v[0]for v in vectors_set]y_data=[v[1]for v in vectors_set]plt.scatter(x_data,y_data,c='r')plt.show()#生成一维W矩阵，取值是[-1,1]之间的随机数#W是一维矩阵  值是随机在-1，1之间取的W=tf.Variable(tf.random_uniform([1],-1.0,1.0),name='W')  #选取-1到1之间的随机数作为W的初始值#生成一维的b矩阵，初始值是0b=tf.Variable(tf.zeros(1),name='b')#经过计算得出预估值yy=W*x_data+b#以预估值y和实际值的y_data的均方误差作为损失#square 平方项loss=tf.reduce_mean(tf.square(y-y_data),name='loss')#采用梯度下降法来优化参数#optimizer=tf.train.GradientDescentOptimizer(0.5)#训练过程就是最小化这个误差值 optimizer优化器train=optimizer.minimize(loss,name='train')sess=tf.Session()init=tf.global_variables_initializer()#全局变量的初始化sess.run(init)#初始化W和b是多少print("W=",sess.run(W),"b=",sess.run(b),"loss=",sess.run(loss))#执行20次训练for step in range(20):    sess.run(train)    #输出训练好的W和b    print("W=",sess.run(W),"b=",sess.run(b),"loss=",sess.run(loss))plt.scatter(x_data,y_data,c='r')plt.plot(x_data,sess.run(W)*x_data+sess.run(b))plt.show()