tensorflow入门（2）线性模型

使用python来运行第一个tensorflow案例：

1、在linux命令行中启动镜像环境，进入另一个可以操作tensorflow的shell。启动命令如下：

docker run -it tensorflow/tensorflow bash
#因为我的tensorflow是从别人那里拷贝安装的，所以不是gcr.io/tensorflow/tensorflow
# 或者进入jupyter-notebook中，注意一定要有-p来设定notebook的端口
docker run -p 8888:8888 tensorflow/tensorflow

2、参考极客学院的博客，运行第一个例子：

（1）根据下列公式产生原始数据：二维数组X和一维数组Y

$$y=0.1\times x_1+0.2 \times x_2+0.3$$

import tensorflow as tf
import numpy as np

x_data = np.float32(np.random.rand(2, 100))
# dot：矩阵相乘
y_data = np.dot([0.100, 0.200], x_data) + 0.300

（2）应用tensorflow来构造线性模型：

1. 首先为了向graph中加入需要训练的参数，我们可以使用tf.Variables()函数，并设定其初始值、类型以及名称names等。比如，设定权重weights的初始值服从标准差为0.35的随机分布：tf.random([784,200],stddev=0.35)，偏差bias的初始值为0。但是调用tf.Variables函数并不能实现初始化，这一定与tf.constant()函数不同。
2. 使用tf.matmul()函数构建线性模型。该函数可以实现矩阵之间相乘。
3. 设定最小化损失函数/目标函数（loss function）。我们首先用拟合值y减去实际值y_data得到一组误差，然后用tf.quare()函数取其平方，最后利用tf.reduce_mean()函数得到所有平方误差的平均值，作为损失函数，即目标函数。这里也可以使用tf.reduce_sum()函数取所有平方误差的总和
4. 设定优化算子optimizer。tensorflow的训练函数train()中提供一系列的optimizer来缓慢改变每一个变量Variable的值，从而使目标函数最小。一般最简单的优化算子optimizer就是梯度下降(GradientDescent)，这里我们选择了步长为0.5的梯度下降优化算子。
5. 创建session对象来运行图Graph。tensorflow中提出了computational graph的概念，相当于我们常说的一系列的运算符x,y,z等，必须通过session来运行这些graph。例如，x==3，如果直接打印print(x)的话，只会输出x这个对象的位置，必须使用print(session.run(x))才能显示出3。其中，只有sess.run(init)运行后，所有变量才能被初始化。

# Create two variables. （注意大小写）
weights = tf.Variable(tf.random_normal([784, 200], stddev=0.35), name="weights")
biases = tf.Variable(tf.zeros([200]), name="biases")

# matmul实现了矩阵相乘，构造线性模型
y = tf.matmul(weights, x_data) + biases 

# 最小化损失函数（目标函数）
loss = tf.reduce_mean(tf.square(y - y_data))
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)

# Add an op to initialize the variables.
init = tf.global_variables_initializer()

# 启动图 (graph)
sess = tf.Session()
sess.run(init)

# 拟合平面
# 注意：python中冒号后面要空格，for和if语句要用tab键或4个空格体现层次结构
for step in xrange(0, 201):
    sess.run(train)
    if step % 20 == 0:
        print step, sess.run(W), sess.run(b)