Python 为什么TensorFlow线性累加器预测的数字太大？

在一个简单的例子中，我尝试使用TensorFlow线性累加器，但结果不正确。有什么建议吗

import tensorflow as tf
import numpy as np
x_data =np.array([  44.57,  42.71, 119.25, 40.83, 46.87, 71.44, 
113.5, 39.83, 39.48,
77.3,    53.32 ,  21.68 , 113.55  , 40.1  ,  77.39 , 46.01 , 
35.42 ,  93.81,
84.71,   51.7 ,   73.57,  102.21 ,  98.05 ,  99.53 ,  
98.65 ,  50.1,   108.4,
62.06,   48.34  , 71.45  , 53.21 ,  72.57 , 48.14 ,  
71.32 ,  41.01 ,  96.71,
112.09,   54.87 ,  63.17 , 44.95])
y_data= np.array([ 127.42 , 121.09 , 294.53,   96.73,  125.04, 195.08,   
287.84,  106.97,  107.94,
204.45,  116.09 ,  57.64 , 296.82 , 123.5 ,  180.11 , 116.81 ,  
96.73  ,233.71,
237.07,  130. ,   182.61 , 260.22,  238.86 , 238.02 , 
248.05, 101.41,  269.69,
156.43 , 121.27 , 172.64 , 139.62 , 203.87 , 134.78 , 
176.24 , 106.22 , 252.93,
282.96 ,141.95 ,161.  ,  123.42])

features = [tf.contrib.layers.real_valued_column("x", dimension=1)]
estimator = tf.contrib.learn.LinearRegressor(feature_columns=features,
     model_dir='./linear_estimator')
input_fn = tf.contrib.learn.io.numpy_input_fn({"x":x_data}, y_data,
     num_epochs=1000)
estimator.fit(input_fn=input_fn, steps=2000)
np.asarray([i for i in estimator.predict(x={'x': x_data})])

结果是

阵列（[1539.316650391476.5541992224059.264892581413.11694336， 1616.92626953, 2445.9987793 , 3865.2409668 , 1379.37365723, 1367.56335449, 2643.734375 , 1834.57043457, 766.93310547, 3866.92822266, 1388.48425293, 2646.77124023, 1587.90698242, 1230.56567383, 3200.83569336, 2893.77197266, 1779.90625 , 2517.87182617, 3484.27929688, 3343.9074707 , 3393.84741211, 3364.15332031, 1725.91699219, 3693.15039062, 2129.48681641, 1666.52893066, 2446.3359375 , 1830.85864258, 2484.12866211, 1659.78015137, 2441.94946289, 1419.19055176, 3298.69140625, 3817.66284181886.87243652166.941650391552.13916016]，dtype=float32）现在它可以工作了

我删除了导出目录并获得了新版本1.1.0

---

感谢您的所有回答。

尝试在输入中使用“batch\u size=1”和“num\u epochs=10”。这对我来说非常适合给定的代码。我得到[114.96195221 110.31800079 301.4190979，…]，它不是完美的，但至少具有正确的数量级。您使用哪个TensorFlow版本？考虑到ml4294的评论，请尝试删除您的model_dir并再次运行脚本。这将清理以前的培训课程。