python中怎么使用theano库实现线性回归

这期内容当中小编将会给大家带来有关python中怎么使用theano库实现线性回归，文章内容丰富且以专业的角度为大家分析和叙述，阅读完这篇文章希望大家可以有所收获。

代码块

import numpy as np  import theano.tensor as T  import theano  import time  class Linear_Reg(object):    def __init__(self,x):      self.a = theano.shared(value = np.zeros((1,), dtype=theano.config.floatX),name = 'a')      self.b = theano.shared(value = np.zeros((1,),  dtype=theano.config.floatX),name = 'b')      self.result = self.a * x + self.b      self.params = [self.a,self.b]    def msl(self,y):      return T.mean((y - self.result)**2)  def regrun(rate,data,labels):    X = theano.shared(np.asarray(data,                   dtype=theano.config.floatX),borrow = True)    Y = theano.shared(np.asarray(labels,                   dtype=theano.config.floatX),borrow = True)    index = T.lscalar() #定义符号化的公式   x = T.dscalar('x')  #定义符号化的公式   y = T.dscalar('y')  #定义符号化的公式   reg = Linear_Reg(x = x)    cost = reg.msl(y)    a_g = T.grad(cost = cost,wrt = reg.a) #计算梯度    b_g = T.grad(cost = cost, wrt = reg.b) #计算梯度   updates=[(reg.a,reg.a - rate * a_g),(reg.b,reg.b - rate * b_g)] #更新参数   train_model = theano.function(inputs=[index], outputs = reg.msl(y),updates = updates,givens = {x:X[index], y:Y[index]})    done = True    err = 0.0    count = 0    last = 0.0    start_time = time.clock()    while done:      #err_s = [train_model(i) for i in xrange(data.shape[0])]      for i in xxx:       err_s = [train_model(i) ]       err = np.mean(err_s)       #print err      count = count + 1      if count > 10000 or err <0.1:        done = False      last = err    end_time = time.clock()    print 'Total time is ：',end_time -start_time,' s' # 5.12s    print 'last error :',err    print 'a value : ',reg.a.get_value() # [ 2.92394467]     print 'b value : ',reg.b.get_value() # [ 1.81334458]  if __name__ == '__main__':     rate = 0.01    data = np.linspace(1,10,10)    labels = data * 3 + np.ones(data.shape[0],dtype=np.float64) +np.random.rand(data.shape[0])   regrun(rate,data,labels)

上述就是小编为大家分享的python中怎么使用theano库实现线性回归了，如果刚好有类似的疑惑，不妨参照上述分析进行理解。如果想知道更多相关知识，欢迎关注亿速云行业资讯频道。