TensorFlow框架—实现简单线性回归

import tensorflow as tf
def Linear_regression():
    """
    实现一个线性回归
    """
    #1 准备数据
    x = tf.random_normal(shape=[100,1])
    y_true = tf.matmul(x,[[0.8]])+0.7
    #2 构建模型
    #定义模型参数 用 变量 若设置参数trainable=False，则训练过程中参数值不变
    weight = tf.Variable(initial_value=tf.random_normal(shape=[1,1]))
    bias = tf.Variable(initial_value=tf.random_normal(shape=[1,1]))
    y_predict = tf.matmul(x,weight)+bias
    #3 构建损失函数
    error = tf.reduce_mean(tf.square(y_predict-y_true))
    #4 优化损失
    optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.01).minimize(error)

    #初始化变量
    init = tf.global_variables_initializer()

    #开启会话
    with tf.Session() as sess:
        #初始化变量
        sess.run(init)

        #查看初始化模型参数之后的值
        print("训练前模型参数为：权重%f,偏置%f,损失为%f"%(weight.eval(),bias.eval(),error.eval()))

        #开始训练
        for i in range(1000):
            sess.run(optimizer)
            #print放循环里面查看迭代过程
            print("第%d次训练后训练前模型参数为：权重%f,偏置%f,损失为%f" % (i+1,weight.eval(), bias.eval(), error.eval()))


    return None
if __name__=="__main__":
    Linear_regression()

 还通过实验发现训练次数不变，学习率越大，训练速度越快，效果越好；但学习率不能太大，一搬取0.01~0.1都适合，当过大时会发生梯度爆炸！