TensorFlow学习之线性回归

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

# 使用 NumPy 生成假数据(phony data), 总共 100 个点.
x_data = np.float32(np.random.rand(2,100))  # 随机输入，2行100列
y_data = np.dot([0.100, 0.200], x_data) + 0.300  # 返回的是两个数组的点积，如果是二维数组（矩阵）之间的运算，则得到的是矩阵积
    
# 构造一个线性模型  构建图
b = tf.Variable(tf.zeros([1]))  # b初始化为0
W = tf.Variable(tf.random_uniform([1, 2], -2.0, 2.0))  # b和W是要学习的参数
y = tf.matmul(W, x_data) + b  # 创建一个矩阵乘法 matmul op

# 最小化方差
loss = tf.reduce_mean(tf.square(y - y_data))  # y为估计值，y_data为真实值
optimizer = tf.train.GradientDescentOptimizer(0.5)  # 学习率为0.5
train = optimizer.minimize(loss)  # 训练

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

# 启动图 (graph)
sess = tf.Session()  # 创建一个会话，当上下文管理器退出时会话关闭和资源释放自动完成
#sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
sess.run(init)  # 初始化

# 拟合平面
for step in range(0, 201):  # step为循环次数
    sess.run(train)  # 训练
    if step % 20 == 0:
        print (step, sess.run(W), sess.run(b))  # Variable要在sess.run()才能输出