02.TensorFlow 線性回歸

實驗原理：

線性回歸是用來度量變量間關系的統計技術。該算法的實作并不複雜，但可以适用于很多情形。正是因為這些原因，以線性回歸作為開始學習TensorFlow的開始。

不管在兩個變量（簡單回歸）或多個變量（多元回歸）情形下，線性回歸都是對一個依賴變量，多個獨立變量xi，一個随機值b間的關系模組化。利用TensorFlow實作一個簡單的線性回歸模型：分析一些代碼基礎及說明如何在學習過程中調用各種重要元件，比如cost function或梯度下降算法

運作代碼：

import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()   #保證placer
import numpy as np
import matplotlib.pyplot as plt
import os
os.environ["CUDA_VISIBLE_DEVICES"]="0"
#設定訓練參數
learning_rate=0.01
training_epochs=1000
display_step=50
# 訓練資料
train_X=np.asarray([3.3,4.4,5.5,6.71,6.93,4.168,9.779,6.182,7.59,2.167,7.042,10.791,5.313,7.997,5.654,9.27,3.1])
train_Y=np.asarray([1.7,2.76,2.09,3.19,1.694,1.573,3.366,2.596,2.53,1.221,2.827,3.465,1.65,2.904,2.42,2.94,1.3])
n_samples=train_X.shape[0]
#構造計算圖
X=tf.placeholder("float")
Y=tf.placeholder("float")

#設定模型的初始權重
W=tf.Variable(np.random.randn(),name="weight")
b=tf.Variable(np.random.randn(),name='bias')
#構造線性回歸模型
pred=tf.add(tf.multiply(X,W),b)
#損失函數，即均方差
cost=tf.reduce_sum(tf.pow(pred-Y,2))/(2*n_samples)
#使用梯度下降法求最小值，即最優解
optimizer=tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)
#初始化全部變量
init=tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)

#調用會話對象sess的run方法，運作計算圖，即開始訓練模型

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

    #Display logs per epoch step  
        if (epoch+1) % display_step==0:
            c=sess.run(cost,feed_dict={X:train_X,Y:train_Y})
            print("Epoch:",'%04d'%(epoch+1),"cost=","{:.9f}".format(c),"W=",sess.run(W),"b=",sess.run(b))
#訓練模型的代價函數。
    training_cost = sess.run(cost, feed_dict={X: train_X, Y: train_Y})
    print("Train cost=", training_cost, "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="Fitting line")
    plt.legend()
    plt.show()      

運作結果：