基于tensorflow的简单线性回归模型

#!/usr/local/bin/python3

##ljj [1]

##linear regression model

import tensorflow as tf

import matplotlib.pyplot as plt

#训练样本，随手写的

x_ = [11,14,22,29,32,40,44,55,59,60,69,77]

y_res = [123,135,155,167,177,189,200,240,250,255,277,298]

#初始化定义w和b，都为1，这里折腾了一会，主要因为tf.ones的参数

w = tf.Variable(tf.ones([1]),dtype="float32")

b = tf.Variable(tf.ones([1]),dtype="float32")

y = tf.placeholder(tf.float32)

x = tf.placeholder(tf.float32)

with tf.Session() as sess:

#定义线性模型

y_predict = w*x+b

#平方误差作为损失函数

loss = tf.reduce_mean(tf.square(y-y_predict))

#配置训练优化器和学习速率

train = tf.train.AdamOptimizer(0.03).minimize(loss)

sess.run(tf.global_variables_initializer())

　for j in range(1000):

　for i in range(len(x_)):

　　# train.run(feed_dict={x:x_[i], y:y_res[i]})

　　　　#feed训练，并输出w和b

　　w_,b_,_= sess.run([w,b,train],feed_dict={x:x_[i], y:y_res[i]})

　　　　 print(w_,b_)

print('final result : ')
print(w_,b_)

plt.plot(x_,y_res,'.')

plt.plot(x_,x_*w_+b_,'-')

plt.show()

主机环境：MacbookPro，tensoflow版本1.4，pyhton3.5

输出结果：

final result :

[ 2.65540743] [ 91.92604065]

-------以上输出分别是拟合出的Weight，Bias值。不同版本的tensorlfow，拟合的线可能会略有差异，稍微调调参就可以拟合的不错。