tesorflow 学习笔记1 线性回归预测

初次学习tensorflow的使用，这次是用tensorflow的包装库写了一个线性回归预测的应用。

首先创建100个数据（x，y），最后预测x与y的关系，y=W*x+b,将loss函数优化迭代100，减到最小，得到W与b的值，最终得到y与x的关系。

import numpy as np
import tensorflow as tf
#创建数据
x_data=np.random.rand(100).astype(np.float32)
y_data=x_data*0.1+0.3
#初始化W与b
Weights=tf.Variable(tf.random_uniform([1],-1.0,1.0))
biases=tf.Variable(tf.zeros([1]))

y=Weights*x_data+biases
#loss函数
loss=tf.reduce_mean(tf.square(y-y_data))
#优化
optimizer=tf.train.GradientDescentOptimizer(0.5)
train=optimizer.minimize(loss)
#初始化所有的参数
init=tf.initialize_all_variables()
#指针激活init session:执行命令，对话控制
sess=tf.Session()
sess.run(init)
#循环迭代600次，每20次打印出W与b
for step in range(601):
    sess.run(train)
    if step%20==0:
        print(step,sess.run(Weights),sess.run(biases))

最终循环迭代得到W与b的结果值W=0.1000001 b=0.2999995

所以y=0.1000001*x+0.2999995与刚开始100个数据y=0.1x+0.3结果差距不大。