Tensorflow深度学习笔记（三）-TensorFlow基本应用（梯度下降法）

本文主要引入一个简单的示例来阐述Tensorflow的应用。

先来一段程序，它是采用梯度下降法来训练数据。

import  tensorflow as tf
import numpy as np 
#numpy库为数学计算库，若导入失败，请先安装（pip install numpy）

#使用numpy随机产生100个随机点
x_data=np.random.rand(100)
y_data = x_data+1

#构造一个线性模型
b= tf.Variable(0.)
k= tf.Variable(0.)
y= k*x_data +b

#损失函数
loss = tf.reduce_mean(tf.square(y_data-y))

#定义一个梯度下降法优化器
optimizer = tf.train.GradientDescentOptimizer(0.03)
#最小化代价函数
train = optimizer.minimize(loss)

#初始化全局变量
init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)

    #训练2000次
    for step in range(2001):
        sess.run(train)

        #每训练20次打印输出训练次数和得到的k，b值
        if step%20 == 0:
            print(step,sess.run([k,b]))

本文主要作为一个引入，还有一些概念不懂的，可以自行去查询相关内容，后面会继续分析相关内容。

Enjoy.

---

转载请注明出处，Juyin@2017/11/12