使用Tensorflow完成线性回归

这次tensorflow跑得好慢。

使用Tensorflow训练一个线性模型拟合数据

blog地址
http://www.machinelearninguru.com/deep_learning/tensorflow/machine_learning_basics/linear_regresstion/linear_regression.htm

介绍

线性回归的作用（定义就是为因变量和自变量的相关性构建模型，预测）。

线性回归算法的主要优势是简单粗暴（simplicity）。

本文中构建并可视化线性回归模型

处理流程

为了训练模型，Tensorflow循环遍历数据，找到最佳的线来拟合数据。

通过设计适当的优化问题来评估X和Y的线性关系，需要适当的损失函数。

数据集来源于CS20SI：基于Tensorflow的深度学习研究。

引入库

import tensorflow as tf
import pandas as pd
import numpy as np
import xlrd
import matplotlib.pyplot as plt

获取数据

原答案用的是xlrd，我在这里使用pandas改写了

'''
DATA_FILE = "./fire_theft.xls"
book = xlrd.open_workbook(DATA_FILE, encoding_override="utf-8")
sheet = book.sheet_by_index(0)
data = np.asarray([sheet.row_values(i) for i in range(1, sheet.nrows)])
num_samples = sheet.nrows - 1
print(data)
'''
data = pd.read_excel(r'./fire_theft.xlsx')
# 注意iloc获取数值的写法[:,:2]，第一个“:”表示获取所有行数；第二个“:2”表示获取前2列
data = data.iloc[:, :2].values
print(data)
tf.app.flags.DEFINE_integer(
 'num_epochs', 50, 'The number of epochs for training the model. Default=50')
# Store all elements in FLAG structure!
FLAGS = tf.app.flags.FLAGS

初始化参数

W = tf.Variable(0.0, name='weights')
b = tf.Variable(0.0, name='bias')

定义重要函数

def inputs():
 X = tf.placeholder(tf.float32, name='X')
 Y = tf.placeholder(tf.float32, name='Y')
 return X,Y
def inference(X):
 '''
 计算线性结果，输入X为Input
 :return: 
 '''
 return X*W + b
def loss(X,Y):
 '''
 通过对比预测值和实际值来计算损失函数，
 :param X: 输入
 :param Y: 标签
 :return: 损失值
 '''
 Y_predicted=inference(X)
 loss=tf.squared_difference(Y,Y_predicted)
 return loss
def train(loss):
 '''
 使用梯度下降进行训练
 :param loss: 
 :return: opt
 '''
 lr=0.0001
 opt=tf.train.GradientDescentOptimizer(lr).minimize(loss)
 return opt

对数据进行循环遍历

with tf.Session() as sess:
 #初始化变量W和b
 sess.run(tf.global_variables_initializer())
 #获取输入张量
 X,Y=inputs()
 train_loss=loss(X,Y)
 train_op=train(train_loss)
 for epoch in range(FLAGS.num_epochs):
 for x, y in data:
 train_op=train(train_loss)
 loss_value, _=sess.run([train_loss,train_op], feed_dict={X:x,Y:y})
 print('epoch %d, loss=%f' %(epoch+1, loss_value))
 wcoeff, bias= sess.run([W,b])

结果可视化

Input_values = data[:,0]
Labels = data[:,1]
Prediction_values = data[:,0] * wcoeff + bias
plt.plot(Input_values, Labels, 'ro', label='main')
plt.plot(Input_values, Prediction_values, label='Predicted')
# Saving the result.
plt.legend()
plt.savefig('plot.png')
plt.close()