03、用Tensorflow训练一个线性回归

目标：根据给定的线性回归公式，训练构建模型，获取与给定公式参数相差最小的参数值
代码：
######################################################################
#给出一个线性代数,通过给出的值训练自己模型,得出接近给出线性代数的参数#
######################################################################

#coding:utf-8
#导入TensorFlow python API库
import tensorflow as tf
import numpy as np

#随机生成100点（x，y）
x_data = np.random.rand(100).astype(np.float32) #(0-1)
y_data = x_data * 0.1 + 0.3 #(0.3,0.4) 实际数据

#构建线性模型的tensor变量W, b
W = tf.Variable(tf.random_uniform([1], -1.0, 1.0)) #Variable 创建一个变量;随机生成1个 -1至1之间的浮点数
b = tf.Variable(tf.zeros([1])) #返回一个0
y = W * x_data + b

#构建损失方程，优化器及训练模型操作train
loss = tf.reduce_mean(tf.square(y - y_data)) #求平均值 预测值余实际模型之间的最小成本
optimizer = tf.train.GradientDescentOptimizer(0.5) #学习速率
train = optimizer.minimize(loss)

#构建变量初始化操作init
init = tf.initialize_all_variables()

#构建TensorFlow session
sess = tf.Session()

#初始化所有TensorFlow变量
sess.run(init)

#训练该线性模型，每隔20次迭代，输出模型参数
for step in range(201):
  sess.run(train)
  if step % 20 == 0:
  print(step, sess.run(W), sess.run(b))

实验结果如下:（学习步率越小，需要训练的次数、数据越多）