TensorFlow多维拟合实例

好的，下面是一个TensorFlow多维拟合的实例：

假设我们有一个包含三个特征值的数据集，用来预测房价。我们可以用TensorFlow来构建一个多维线性回归模型，对数据进行拟合。

首先，我们需要导入必要的库：

import tensorflow as tf
import numpy as np

然后，我们定义训练数据和标签：

# 生成训练数据
train_data = np.random.randn(100, 3)  # 100行3列的随机数
train_labels = np.matmul(train_data, np.array([0.1, 0.2, 0.3])) + 0.4

接着，我们定义模型的输入和输出：

# 定义模型的输入和输出
x = tf.placeholder(tf.float32, shape=(None, 3))
y = tf.placeholder(tf.float32, shape=(None,))

然后，我们定义模型的参数和预测值：

# 定义模型的参数和预测值
W = tf.Variable(tf.zeros([3, 1]))
b = tf.Variable(tf.zeros([1]))
y_pred = tf.matmul(x, W) + b

接下来，我们定义损失函数和优化器：

# 定义损失函数和优化器
loss = tf.reduce_mean(tf.square(y_pred - y))
optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.01)
train_op = optimizer.minimize(loss)

最后，我们使用训练数据对模型进行训练，并测试模型的预测效果：

# 训练模型
sess = tf.Session()
sess.run(tf.global_variables_initializer())
for i in range(1000):
    _, loss_val = sess.run([train_op, loss], feed_dict={x: train_data, y: train_labels})
    if i % 100 == 0:
        print("Step:", i, "Loss:", loss_val)

# 测试模型
test_data = np.random.randn(10, 3)
test_labels = np.matmul(test_data, np.array([0.1, 0.2, 0.3])) + 0.4
print("Test Loss:", sess.run(loss, feed_dict={x: test_data, y: test_labels}))

以上就是一个简单的TensorFlow多维拟合实例。