tf02

import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
plt.rcParams["figure.figsize"] = (15,10)

n_observations = 100
xs = np.linspace(-3, 3, n_observations)
ys = np.sin(xs) + np.random.uniform(-0.5, 0.5, n_observations)
# plt.scatter(xs, ys)
# plt.show()
X = tf.placeholder(tf.float32, name='X')
Y = tf.placeholder(tf.float32, name='Y')

W = tf.Variable(tf.random_normal([1]), name='weight')
b = tf.Variable(tf.random_normal([1]), name='bias')
Y_pred = tf.add(tf.multiply(X, W), b)

W_2 = tf.Variable(tf.random_normal([1]), name='weight_2')
Y_pred = tf.add(tf.multiply(tf.pow(X, 2), W_2), Y_pred)

W_3 = tf.Variable(tf.random_normal([1]), name='weight_3')
Y_pred = tf.add(tf.multiply(tf.pow(X, 3), W_3), Y_pred)


sample_num = xs.shape[0]
loss = tf.reduce_mean(tf.square(Y_pred - Y))
train_step = tf.train.AdamOptimizer().minimize(loss)
n_samples = xs.shape[0]

with tf.Session() as sess:
    # 記得初始化所有變量s
    sess.run(tf.global_variables_initializer())
    # writer = tf.summary.FileWriter('./graphs/polynomial_reg', sess.graph)
    # 訓(xùn)練模型
    for i in range(1000):
        total_loss = 0
        for x, y in zip(xs, ys):
            # 通過feed_dic把數(shù)據(jù)灌進(jìn)去
            _, l = sess.run([train_step, loss], feed_dict={X: x, Y: y})
            total_loss += l
        if i % 20 == 0:
            print('Epoch {0}: {1}'.format(i, total_loss / n_samples))
    # 關(guān)閉writer
    #writer.close()
    # 取出w和b的值
    W, W_2, W_3, b = sess.run([W, W_2, W_3, b])

plt.plot(xs, ys, 'bo', label='Real data')
plt.plot(xs, xs * W + np.power(xs, 2) * W_2 + np.power(xs, 3) * W_3 + b, 'r', label='Predicted data')
plt.legend()
plt.show()
最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末如输,一起剝皮案震驚了整個濱河市馒稍,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌茧妒,老刑警劉巖冲呢,帶你破解...
    沈念sama閱讀 212,294評論 6 493
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場離奇詭異,居然都是意外死亡,警方通過查閱死者的電腦和手機(jī)数尿,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,493評論 3 385
  • 文/潘曉璐 我一進(jìn)店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來惶楼,“玉大人右蹦,你說我怎么就攤上這事■昀粒” “怎么了嫩实?”我有些...
    開封第一講書人閱讀 157,790評論 0 348
  • 文/不壞的土叔 我叫張陵刽辙,是天一觀的道長窥岩。 經(jīng)常有香客問我,道長宰缤,這世上最難降的妖魔是什么颂翼? 我笑而不...
    開封第一講書人閱讀 56,595評論 1 284
  • 正文 為了忘掉前任,我火速辦了婚禮慨灭,結(jié)果婚禮上朦乏,老公的妹妹穿的比我還像新娘。我一直安慰自己氧骤,他們只是感情好呻疹,可當(dāng)我...
    茶點(diǎn)故事閱讀 65,718評論 6 386
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著筹陵,像睡著了一般刽锤。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上朦佩,一...
    開封第一講書人閱讀 49,906評論 1 290
  • 那天并思,我揣著相機(jī)與錄音,去河邊找鬼语稠。 笑死宋彼,一個胖子當(dāng)著我的面吹牛弄砍,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播输涕,決...
    沈念sama閱讀 39,053評論 3 410
  • 文/蒼蘭香墨 我猛地睜開眼音婶,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了占贫?” 一聲冷哼從身側(cè)響起桃熄,我...
    開封第一講書人閱讀 37,797評論 0 268
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎型奥,沒想到半個月后瞳收,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 44,250評論 1 303
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡厢汹,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 36,570評論 2 327
  • 正文 我和宋清朗相戀三年螟深,在試婚紗的時候發(fā)現(xiàn)自己被綠了。 大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片烫葬。...
    茶點(diǎn)故事閱讀 38,711評論 1 341
  • 序言:一個原本活蹦亂跳的男人離奇死亡界弧,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出搭综,到底是詐尸還是另有隱情垢箕,我是刑警寧澤,帶...
    沈念sama閱讀 34,388評論 4 332
  • 正文 年R本政府宣布兑巾,位于F島的核電站条获,受9級特大地震影響,放射性物質(zhì)發(fā)生泄漏蒋歌。R本人自食惡果不足惜帅掘,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 40,018評論 3 316
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望堂油。 院中可真熱鬧修档,春花似錦、人聲如沸府框。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,796評論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽迫靖。三九已至院峡,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間袜香,已是汗流浹背撕予。 一陣腳步聲響...
    開封第一講書人閱讀 32,023評論 1 266
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留蜈首,地道東北人实抡。 一個月前我還...
    沈念sama閱讀 46,461評論 2 360
  • 正文 我出身青樓欠母,卻偏偏與公主長得像,于是被迫代替她去往敵國和親吆寨。 傳聞我的和親對象是個殘疾皇子赏淌,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 43,595評論 2 350

推薦閱讀更多精彩內(nèi)容

  • 永川沒有太陽。 偶爾的兩次晴天啄清,也給人不真實(shí)的虛幻感覺六水。 她太安靜了,最鬧熱的地方也只是稀零的兩個人散漫的游走辣卒。 ...
    挖坑必填假英雄閱讀 106評論 0 0
  • 阿里旅行是我最近用的比較多的一個應(yīng)用掷贾,因?yàn)橛行庞米。晕疫€推薦給了我的好多同學(xué)和朋友荣茫,阿里旅行的口號是“世界觸手...
    Fred_young閱讀 4,242評論 2 9