一 擬合直線
這裏先用numpy創建一些數據點x,然後計算出出標籤y(加了一些正態分佈的隨機點),最後用tensorflow去擬合這些點。
代碼以及圖
1.構建點x和標籤y
import numpy as np
num_points = 1000
vectors_set = []
for i in xrange(num_points):
x1= np.random.normal(0.0, 0.55)
y1= x1 * 0.1 + 0.3 + np.random.normal(0.0, 0.03)
vectors_set.append([x1, y1])
x_data = [v[0] for v in vectors_set]
y_data = [v[1] for v in vectors_set]
2.畫出原始圖
import matplotlib.pyplot as plt
plt.plot(x_data, y_data, 'ro', label='Original data')
plt.legend()
plt.show()
3.構建y=w*x+b,並用梯度下降法優化w和b,並輸出最終的w與b的值
import tensorflow as tf
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(0.5)
train = optimizer.minimize(loss)
init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)
for step in xrange(8):
sess.run(train)
print step, sess.run(W), sess.run(b)
7 [ 0.05428887] [ 0.30008858]
4.畫出擬合直線
plt.plot(x_data, y_data, 'ro')
plt.plot(x_data, sess.run(W) * x_data + sess.run(b))
plt.legend()
plt.show()
二 擬合未知模型
這裏也是構建了一些點x,然後計算出標籤y=3*x*x+1,然後構建一個y_ = w1*x+w2*x*x+w3*x*x*x+b的模型去擬合它,但是這個模型不是很好,最高指數只寫到3次方,所以效果就不是很好。
代碼及圖
1.構建數據x以及標籤y
import numpy as np
x = np.random.rand(100).astype(np.float32)
y = 3*x*x+1
2.畫出原始圖
import matplotlib.pyplot as plt
plt.plot(x,y,'ro')
plt.legend()
plt.show()
3.計算模型參數
import tensorflow as tf
w1 = tf.Variable(tf.random_uniform([1],-1.0,1.0))
w2 = tf.Variable(tf.random_uniform([1],-1.0,1.0))
w3 = tf.Variable(tf.random_uniform([1],-1.0,1.0))
b = tf.Variable(tf.zeros([1]))
y_ = w1*x+w2*x*x+w3*x*x*x+b
loss = tf.reduce_mean(tf.square(y - y_))
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)
init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)
for step in xrange(100):
sess.run(train)
print step, sess.run(w1),sess.run(w2),sess.run(w3),sess.run(b)
99 [ 1.26188886] [ 0.42472449] [ 1.46034849] [ 0.86527926]
4.畫出擬合曲線
plt.plot(x,y,'ro')
y__ = sess.run(w1)*x+sess.run(w2)*x*x+sess.run(w3)*x*x*x+sess.run(b)
plt.plot(x,y__)
# plt.plot(x,0.37588856*x+2.09157467*x*x+0.59096539*x*x*x+0.9672721)
plt.legend()
plt.show()
這裏不知道爲啥畫出來的是這個樣子,直接print y__輸出的維度跟x的維度是一樣的呀!