寒假学习进度12： 线性回归tensorflow2.0实现

import  matplotlib.pyplot as plt
import  numpy as np
import tensorflow as tf
# 载入随机种子
np.random.seed(5)
#生成100个等差序列，每个值在-1 - 1 之间
x_data = np.linspace(-1,1,1000)
#y = 2x + 1 + 噪声，噪声的维度和x_Data一致
y_data = 2 * x_data +1.0 +np.random.randn(*x_data.shape) * 0.4 #*表示把元组拆分为一个个单独的实参
plt.scatter(x_data,y_data)
plt.plot(x_data,2*x_data+1,color = ‘red‘ ,linewidth = 3)

#定义模型函数以及线性函数的斜率和截距
def model(x,w,b):
    return tf.multiply(x,w)+b

#设置损失函数，这里使用均方差作为损失函数
def loss_fun(x,y,w,b):
    err = model(x,w,b)-y
    squared_err = tf.square(err)
    return tf.reduce_mean(squared_err)

#返回梯度向量
def grad(x,y,w,b):
    with tf.GradientTape() as tape:
        loss_ = loss_fun(x,y,w,b)
    return tape.gradient(loss_,[w,b])

if __name__ == ‘__main__‘:
    #因为模型比较简单，因此超参的迭代次数设置的比较小
    # 构建线性函数的斜率和截距
    w = tf.Variable(np.random.randn(), tf.float32)
    b = tf.Variable(0.0, tf.float32)
    # 设置迭代次数和学习率
    train_epochs = 10
    learning_rate = 0.01
    loss = []
    count = 0
    display_count = 10  # 控制显示粒度的参数,每训练10个样本输出一次损失值

    # 开始训练，轮数为epoch，采用SGD随机梯度下降优化方法
    for epoch in range(train_epochs):
        for xs, ys in zip(x_data, y_data):
            # 计算损失，并保存本次损失计算结果
            loss_ = loss_fun(xs, ys, w, b)
            loss.append(loss_)
            # 计算当前[w,b]的梯度
            delta_w, delta_b = grad(xs, ys, w, b)
            change_w = delta_w * learning_rate
            change_b = delta_b * learning_rate
            w.assign_sub(change_w)
            b.assign_sub(change_b)
            # 训练步数加1
            count = count + 1
            if count % display_count == 0:
                print(‘train epoch : ‘, ‘%02d‘ % (epoch + 1), ‘step:%03d‘ % (count), ‘loss= ‘, ‘{:.9f}‘.format(loss_))
        # 完成一轮训练后，画图
        plt.plot(x_data, w.numpy() * x_data + b.numpy())
        plt.show()