tensorflow（二）實戰——線性迴歸

代碼：

import tensorflow as tf
import numpy as  np
import matplotlib.pyplot as plt
#dot
X_dot=np.linspace(-1,1,100)
Y_dot=3*X_dot+6+np.random.randn(*X_dot.shape)*0.2

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-X*w-b)
train_op=tf.train.GradientDescentOptimizer(0.01).minimize(loss)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    echo=1
    for i in range(10):
        for (x,y)in zip(X_dot,Y_dot):
            _,Loss,W,B=sess.run([train_op,loss,w,b],feed_dict={Y:y,X:x})
        print("echo:",echo," w:",W," b:",B," loss:",Loss)
        echo+=1

plt.plot(X_dot,Y_dot)
plt.plot(X_dot,X_dot*W+B)
plt.show()

運行結果：

echo: 1  w: 0.222561  b: 6.07669  loss: 7.05683
echo: 2  w: 1.38609  b: 6.42955  loss: 1.15972
echo: 3  w: 2.11399  b: 6.25391  loss: 0.251627
echo: 4  w: 2.5018  b: 6.11855  loss: 0.0569603
echo: 5  w: 2.70129  b: 6.04374  loss: 0.0118342
echo: 6  w: 2.80303  b: 6.00492  loss: 0.0018697
echo: 7  w: 2.85481  b: 5.98508  loss: 9.94998e-05
echo: 8  w: 2.88114  b: 5.97498  loss: 4.80562e-05
echo: 9  w: 2.89453  b: 5.96984  loss: 0.000241081
echo: 10  w: 2.90134  b: 5.96723  loss: 0.000395928

一腳踩到的坑：

 

1.'tuple' object cannot be interpreted as an integer

在使用np.linspace對X_dot進行初始化後，如果X_dot.shape 會報上述錯誤。使用np.shape(X_dot)打印一下，輸出爲(100,)，估計這就是tuple的來源。

所以這裏的解決辦法是：

1)*X_dot.shape  2)X_dot.shape[0]   2)np.shape(X_dot)[0]

 

2.tf.placeholder 傳參數時是“float” 神奇，和float(inf")一樣神奇

 

3.這裏有一百個點，訓練的時候batchsize是1，是要一個一個for (x,y)in zip(X_dot,Y_dot)傳入的，不是把X_dot,Y_dotzhij直接放到feed_dict裏面

 

4.sess.run([train_op,loss,w,b],feed_dict={Y:y,X:x})

fetches和feed結合，又方便了打印過程