初学 Tensorflow（线性回归预测）

大致过程是：

先生成函数为 y = 0.1x + 0.3 的x、y的数据，即 k = 0.1, b = 0.3

设 k, b 初始为随机数，进行 200 次学习，每隔 20 次输出一下训练结果

具体代码如下：

# coding: utf-8
import tensorflow as tf 
import numpy as np 

# 创造数据，y = 0.1x + 0.3
x_data = np.random.rand(100).astype(np.float32)
y_data = x_data * 0.1 + 0.3

### 开始创建 tensorflow ###

# 可能为矩阵，首字母大写
# 随机数列生成，一维的，范围[-1, 1]的数
Weights = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
# 初始值为 0 的一维的数
biases = tf.Variable(tf.zeros([1]))

y = Weights * x_data + biases

# 预测值与真实值的差别
loss = tf.reduce_mean(tf.square(y - y_data))

# 建立优化器，减少误差，提高参数的准确度
# 学习效率是一个小于 1 的数，这里设为 0.5
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)

# 初始化
init = tf.global_variables_initializer()

### 创建完毕 ###

# 激活 tensorflow
sess = tf.Session()
sess.run(init)

for step in range(201):
    sess.run(train)
    # 每隔 20 步输出运行结果
    if step % 20 == 0:
        print step, sess.run(Weights), sess.run(biases)