标签：min 梯度 print TensorFlow2.0 raw np tf 线性 转载

参考链接： Tensorflow 2.0：解决分类和回归问题

import numpy as np

import tensorflow as tf

 

X = np.array([1, 2, 3, 4, 5], dtype=np.float32)

y = np.array([10, 19, 31, 42, 53], dtype=np.float32)

 

# X = (X_raw - X_raw.min()) / (X_raw.max() - X_raw.min())

# y = (y_raw - y_raw.min()) / (y_raw.max() - y_raw.min())

 

 

# X = tf.constant(X)

# y = tf.constant(y)

 

w = tf.Variable(initial_value=0.)

b = tf.Variable(initial_value=0.)

variables = [w, b]

 

num_epoch = 10000

optimizer = tf.optimizers.SGD(learning_rate=1e-3) # 声明了一个梯度下降优化器optimizer,学习率为1e-3

for e in range(num_epoch):

    # 使用tf.GradientTape()记录损失函数的梯度信息

    with tf.GradientTape() as tape:

        y_pred = w * X + b

        loss = tf.reduce_mean(tf.square(y_pred - y))

    # TensorFlow自动计算损失函数关于自变量（模型参数）的梯度

    grads = tape.gradient(loss, variables)

 

    # TensorFlow自动根据梯度更新参数

    optimizer.apply_gradients(grads_and_vars=zip(grads, variables))

 

 

 

 

print(w, b)

 

print(float(w))

10.8587007522583

print(b.numpy())

-1.5509015

print(w.numpy())

10.858701

标签：min,梯度,print,TensorFlow2.0,raw,np,tf,线性,转载
来源： https://blog.csdn.net/u013946150/article/details/114058330

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。