实验原理：
线性回归是用来度量变量间关系的统计技术。该算法的实现并不复杂，但可以适用于很多情形。正是因为这些原因，以线性回归作为开始学习TensorFlow的开始。
不管在两个变量（简单回归）或多个变量（多元回归）情形下，线性回归都是对一个依赖变量，多个独立变量xi，一个随机值b间的关系建模。利用TensorFlow实现一个简单的线性回归模型：分析一些代码基础及说明如何在学习过程中调用各种重要组件，比如cost function或梯度下降算法
运行代码：
import tensorflow.compat.v1 as tf tf.disable_v2_behavior() #保证placer import numpy as np import matplotlib.pyplot as plt import os os.environ["CUDA_VISIBLE_DEVICES"]="0" #设置训练参数 learning_rate=0.01 training_epochs=1000 display_step=50 # 训练数据 train_X=np.asarray([3.3,4.4,5.5,6.71,6.93,4.168,9.779,6.182,7.59,2.167,7.042,10.791,5.313,7.997,5.654,9.27,3.1]) train_Y=np.asarray([1.7,2.76,2.09,3.19,1.694,1.573,3.366,2.596,2.53,1.221,2.827,3.465,1.65,2.904,2.42,2.94,1.3]) n_samples=train_X.shape[0] #构造计算图 X=tf.placeholder("float") Y=tf.placeholder("float") #设置模型的初始权重 W=tf.Variable(np.random.randn(),name="weight") b=tf.Variable(np.random.randn(),name='bias') #构造线性回归模型 pred=tf.add(tf.multiply(X,W),b) #损失函数，即均方差 cost=tf.reduce_sum(tf.pow(pred-Y,2))/(2*n_samples) #使用梯度下降法求最小值，即最优解 optimizer=tf.train.GradientDescentOptimizer(learning_rate).minimize(cost) #初始化全部变量 init=tf.global_variables_initializer() with tf.Session() as sess: sess.run(init) #调用会话对象sess的run方法，运行计算图，即开始训练模型 for epoch in range(training_epochs): for(x,y) in zip(train_X,train_Y): sess.run(optimizer,feed_dict={X:x,Y:y}) #Display logs per epoch step if (epoch+1) % display_step==0: c=sess.run(cost,feed_dict={X:train_X,Y:train_Y}) print("Epoch:",'%04d'%(epoch+1),"cost=","{:.9f}".format(c),"W=",sess.run(W),"b=",sess.run(b)) #训练模型的代价函数。 training_cost = sess.run(cost, feed_dict={X: train_X, Y: train_Y}) print("Train cost=", training_cost, "W=", sess.run(W), "b=", sess.run(b)) plt.plot(train_X,train_Y,'ro',label='Original data') plt.plot(train_X,sess.run(W)*train_X+sess.run(b),label="Fitting line") plt.legend() plt.show()
运行结果：
生成的模型：
