Tensorflow入门——线性回归

上一篇文章我们介绍了Tensorflow的基础，趁热打铁，这篇文章介绍一下如何用Tensorflow训练一个线性回归的项目。

为了方便读者交流和学习，我在github上创建了一个repo，地址在这里
https://github.com/zht007/tensorflow-practice

1. import

首先当然是要import tensorflow，numpy 以及以及数据可视化工具

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline

这里"%matplotlib inline" 用在jupyter notebook，可以使数据可视化交互更加友好。

2. 创建模拟数据

这里我们要创建一个线性回归的模拟数据，y = x，一共20个点，再在这些点上加一些随机的噪音，数据用numpy生成。

x_data = np.linspace(0,10,20) + np.random.uniform(-1.5,1.5,20)
y_data = np.linspace(0,10,20) + np.random.uniform(-1.5,1.5,20)

3. 初始化w 和 b

线性回归中，训练的参数就是权重(weight)w 和偏移(bais)b，我们这里用numpy随机生成w和b的初始值。

当然w和b是tensorflow中训练的对象，所以记得转换成tensorflow的变量。

4. 定义(error)损失函数

训练的目标是降低error，我们需要在这里手动定义error是什么，这里我定义的是：累积误差的平方。

error = 0
for x,y in zip(x_data,y_data):
    error += (w_tf * x + b_tf - y)**2

5. 定义Optimizer(优化器)

线性回归，需要通过Gradient Decendent(梯度下降方法)训练w, 和 b。Tensorflow中提供了这个Optimizer。

同时不要忘了，定义train 来最小化 error.

optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.001)
train = optimizer.minimize(error)

6. 开始训练啦

这里就是Tensorflow的标准流程啦，不要忘了初始化，以及将最后训练的结果w_final 和 b_final 提取出来。

注意这里我们定义了训练的次数train_steps

init = tf.global_variables_initializer()

train_steps = 10
with tf.Session() as sess:
    sess.run(init)
    for step in range(train_steps):
        sess.run(train)
    w_final, b_final = sess.run([w_tf,b_tf])

7. 检验训练成果

最后，我们把原始数据和训练得到的结果通过plt.plot可视化，就一目了然啦。

尾巴

本文通过简单几步就完成了Tensorflow的线性回归项目的创建和训练，是不是很简单。