TensorFlow以逻辑回归拟合二维数据

深度学习大概有如下4个步骤：

（1）准备数据

（2）搭建模型

（3）迭代训练

（4）使用模型

准备数据阶段一般就是把与任务相关的数据收集起来，然后通过建立网络模型，经过一定的迭代训练让网络学习收集来的数据特征，形成一个可以用的模型，之后就是通过使用模型来解决现实中的问题。

假设有一组数据集，其中x和y的对应关系为y≈2x。

本例子就是让神经网络通过学习这些样本，并找到其中的规律，让神经网络能够总结出y≈2x这样的公式。

具体代码实现过程如下：

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

#定义生成loss可视化的函数
plotdata = {"batchsize":[],"loss":[]}
def moving_average(a,w =10):
    if len(a) < w:
        return a[:]
    return [val if idx < w else sum(a[idx-w:idx])/w for idx, val in enumerate(a)]

#重置图
tf.reset_default_graph()

#生成模拟数据
train_X = np.linspace(-1,1,100)
train_Y = 2 * train_X + np.random.randn(*train_X.shape) * 0