1 def myregression():
 2     #由于在tensofflow2.0以上的版本，eager execution 是默认开启的。如果不加此语句，直接运行程序将会报错
 3     tf.compat.v1.disable_eager_execution()
 4     '''
 5     自实现一个线性回归预测
 6     :return:
 7     '''
 8     #1.准备数据，x特征值[100,1]，y目标值[100]
 9     x=tf.compat.v1.random_normal([100,1],mean=1.75,stddev=0.5,name='x_data')
10     #假设y的真实值为y=0.7x+0.8,a的值随机给为0.7，b偏置的值随机给0.8
11     #矩阵相系必须是二维的，故[[0.7]]  y_true为训练集数据
12     y_true=tf.matmul(x,[[0.7]])+0.8  
13 
14     #第二步：建立线性回归模型。确认了只有一个特征，故只有一个权重，一个偏置 y= w x+b
15     #随机给一个权重和偏置的值，让他去计算损失，然后当前状态下优化
16     #因为权重训练的过程中，不断变化，故初始化用的是variable.mean和stddev随机给为0.0，1.0
17     weight=tf.Variable(tf.compat.v1.random_normal([1,1],mean=0.0,stddev=1.0,name='w'))
18     #偏置初始值为0.0，后面下降时不断+1
19     bias=tf.Variable(0.0,name='b')
20     #预测的结果=x * weight +bias
21     y_predict=tf.matmul(x,weight)+bias
22 
23     #3、建立损失波函数，均方误差.--先求每个样本的误差的平方，然后将误差平方进行求和之后求平均值。 即全部相减求平方之后再相加的总数再除以样本数
24     #最后返回其损失
25     loss=tf.math.reduce_mean(tf.math.square(y_true-y_predict))
26 
27     #4、梯度下降优化损失 learning_rate随机指定.最小化损失.返回op
28     train_op=tf.compat.v1.train.GradientDescentOptimizer(learning_rate=0.1).minimize(loss)
29 
30     #定义一个初始化变量的op
31     init_op=tf.compat.v1.global_variables_initializer()
32     #通过会话运行程序
33     with tf.compat.v1.Session() as sess:
34         #初始化变量
35         sess.run(init_op)
36         #打印随机最先初始化的权重和偏置
37         print('随机初始化的参数权重为：%f,偏置为%f'%(weight.eval(),bias.eval()))#因为weigth和bias都为op,不能直接调出数值
38 
39         #运行优化，由于不是一次性能优化，故要循环，假设训练100次
40         #循环1000次后，发现已经靠近w--0.7,b==0.8
41         for i in range(1010):
42             sess.run(train_op)
43             print('参数权重为：%f,偏置为%f' % (weight.eval(), bias.eval()))  # 因为weigth和bias都为op,不能直接调出数值
44     return None