Python使用tensorflow中梯度下降算法求解变量最优值

TensorFlow是一个用于人工智能的开源神器，是一个采用数据流图（data flow graphs）用于数值计算的开源软件库。数据流图使用节点（nodes）和边线（edges）的有向图来描述数学计算，图中的节点表示数学操作，也可以表示数据输入的起点或者数据输出的终点，而边线表示在节点之间的输入/输出关系，用来运输大小可动态调整的多维数据数组，也就是张量（tensor）。TensorFlow可以在普通计算机、服务器和移动设备的CPU和GPU上展开计算，具有很强的可移植性，并且支持C++、Python等多种语言。

import tensorflow as tf import numpy as np import time

#使用 NumPy 生成随机数据, 总共 2行100列个点. x_data = np.float32(np.random.rand(2, 200)) #矩阵乘法 #这里的W=[0.100, 0.200]和b=0.300是理论数据

通过后面的训练来验证 y_data = np.dot([0.100, 0.200], x_data) + 0.300

#构造一个线性模型，训练求解W和b #初始值b = [0.0] b = tf.Variable(tf.zeros([1])) #初始值W为1x2的矩阵，元素值介于[-1.0, 1.0]区间 W = tf.Variable(tf.random_uniform([1, 2], -1.0, 1.0)) #构建训练模型，matmul为矩阵乘法运算 y = tf.matmul(W, x_data) + b

#最小均方差 loss = tf.reduce_mean(tf.square(y - y_data)) #使用梯度下降算法进行优化求解 optimizer = tf.train.GradientDescentOptimizer(0.5) train = optimizer.minimize(loss)

#初始化变量 init = tf.global_variables_initializer()

with tf.Session() as sess: #初始化 sess.run(init)

#拟合平面，训练次数越多越精确，但是也没有必要训练太多次 for step in range(0, 201): sess.run(train) #显示训练过程，这里演示了两种查看变量值的方法 print(step, sess.run(W), b.eval())

运行结果如下，可以发现求解的结果非常接近理论值，为避免浪费大家流量，这里省略了中间的180个训练结果。

0 [[ 0.15414073 0.32496157]] [ 0.43636867] 1 [[ 0.03701844 0.20617545]] [ 0.21209587] 2 [[ 0.10094656 0.26214167]] [ 0.32871172] 3 [[ 0.07112053 0.22834063]] [ 0.26936483] 4 [[ 0.08938536 0.24124807]] [ 0.30078542] 5 [[ 0.08256587 0.23040327]] [ 0.28532556] 6 [[ 0.08844876 0.23214042]] [ 0.29402208] 7 [[ 0.08755529 0.22768299]] [ 0.29021722] 8 [[ 0.08995744 0.22669716]] [ 0.29283032] 9 [[ 0.09047545 0.2241728 ]] [ 0.29209939] 10 [[ 0.09179883 0.22267541]] [ 0.2930637] ... 191 [[ 0.10000042 0.20000042]] [ 0.29999956] 192 [[ 0.1000004 0.20000039]] [ 0.29999959] 193 [[ 0.10000037 0.20000036]] [ 0.29999962] 194 [[ 0.10000035 0.20000033]] [ 0.29999962] 195 [[ 0.10000034 0.20000032]] [ 0.29999965] 196 [[ 0.10000032 0.2000003 ]] [ 0.29999968] 197 [[ 0.1000003 0.20000029]] [ 0.29999968] 198 [[ 0.10000029 0.20000027]] [ 0.29999971] 199 [[ 0.10000027 0.20000026]] [ 0.29999971] 200 [[ 0.10000026 0.20000026]] [ 0.29999974]