tensorflow 线性回归

重温一下tf的线性回归

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

plotdata = {"batchsize":[], "loss":[]}

def moving_average(a, w= 10):
    if len(a)<w :
        return a[:]
    return [val if idx < w else sum(a[(idx-w):idx])/w for idx, val in enumerate(a)]


train_X = np.linspace(-1,1,100)
train_Y = 2 * train_X + np.random.randn(100)*0.3

plt.plot(train_X, train_Y, 'ro', label= 'Original data')
plt.legend()
plt.show()

X = tf.placeholder(tf.float32)
Y = tf.placeholder(tf.float32)

W = tf.Variable(tf.random_normal([1]),name="weight")
b = tf.Variable(tf.zeros([1]),name="bias")

z = tf.multiply(X,W)+b

cost = tf.reduce_mean(tf.square(Y-z))
learning_rate = 0.01
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost) #梯度下降

init = tf.global_variables_initializer()

training_epochs = 20
display_step = 2

with tf.Session() as sess :

    sess.run(init)
    plotdata = {"batchsize":[],"loss":[]}

    for epoch in range(training_epochs):
        for(x,y) in zip (train_X, train_Y):
            sess.run(optimizer,feed_dict={X:x,Y:y})

        if epoch % display_step == 0:
            loss = sess.run(cost, feed_dict = {X:train_X, Y:train_Y})
            print("Epoch :" , epoch+1, "cost=", loss, "W=",sess.run(W),"b=",sess.run(b))
            if not (loss == "NA"):
                plotdata["batchsize"].append(epoch)
                plotdata["loss"].append(loss)

    print("Finished!")
    print("cost=",sess.run(cost, feed_dict={X:train_X,Y:train_Y}),"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 ="Fittedline")
    plt.legend()
    plt.show()

    plotdata["avgloss"] = moving_average(plotdata["loss"])
    plt.figure(1)
    plt.subplot(211)
    plt.plot(plotdata["batchsize"],plotdata["batchsize"],'b--')
    plt.xlabel('Minibatch number')
    plt.ylabel('Loss')
    plt.title('Minibatch run vs . Trainning loss')
    plt.show()