这篇文章来看一下，使用加入随机的噪声之后产生的数据进行训练，看是否能够得到期待的结果。

事前准备

训练数据使用如下方式生成：

xdata = np.linspace(0,1,100)
ydata = 2 * xdata + 1 + np.random.rand(*xdata.shape)

示例代码

liumiaocn:tensorflow liumiao$ cat basic-operation-12.py 
import tensorflow as tf
import numpy      as np
import os
import matplotlib.pyplot as plt

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

xdata = np.linspace(0,1,100)
ydata = 2 * xdata + 1 + np.random.rand(*xdata.shape)

print("init modole ...")
X = tf.placeholder("float",name="X")
Y = tf.placeholder("float",name="Y")
W = tf.Variable(-3., name="W")
B = tf.Variable(3., name="B")
linearmodel = tf.add(tf.multiply(X,W),B)
lossfunc = (tf.pow(Y - linearmodel, 2))
learningrate = 0.01

print("set Optimizer")
trainoperation = tf.train.GradientDescentOptimizer(learningrate).minimize(lossfunc)

sess = tf.Session()
init = tf.global_variables_initializer()
sess.run(init)

index = 1
print("caculation begins ...")
for j in range(100):
  for i in range(100):
    sess.run(trainoperation, feed_dict={X: xdata[i], Y:ydata[i]})
  if j % 10 == 0:
    print("j = %s index = %s" %(j,index))
    plt.subplot(2,5,index) 
    plt.scatter(xdata,ydata)
    labelinfo="iteration: " + str(j)
    plt.plot(xdata,B.eval(session=sess)+W.eval(session=sess)*xdata,'b',label=labelinfo)
    plt.plot(xdata,2*xdata + 1,'r',label='expected')
    plt.legend() 
    index = index + 1

print("caculation ends ...")
print("##After Caculation: ") 
print("   B: " + str(B.eval(session=sess)) + ", W : " + str(W.eval(session=sess)))

plt.show()
liumiaocn:tensorflow liumiao$

结果确认

100次迭代之后的，线性模型如下：

##After Caculation: 
   B: 1.46369, W : 2.0256715

没有噪声的学习过程, 收敛的如下：

可以看到对加入噪声之后的数据，收敛的过程很好，但是偏差B没有能够得到理想的结果，把迭代增加值1000次，每100次确认一下状态，得到的结果如下：

1000次迭代之后的，线性模型如下：

##After Caculation: 
   B: 1.4922265, W : 1.9499784

经过10倍的学习，可以看到逼近没有得到更好的一个效果，结合数据进行确认，发现生成的随机数据和实际的数据已经有了一个偏差，这种情况下只需要进行简单的纠偏即可得到更好的一个结果。