TensorFlow

import numpy as np
import tensorflow as tf

#定义参数w，初始化值为0，类型为float32
w=tf.Variable(0,dtype=tf.float32)

#定义损失函数cost=w**2-10*w+25
cost=tf.add(tf.add(w**2,tf.multiply(-10.,w)),25)
#也可以直接这样写  cost = w**2-10*w+25

#使用梯度下降算法来最小化cost，0.01是学习率。
train=tf.train.GradientDescentOptimizer(0.01).minimize(cost)

#初始化全局变量
init=tf.global_variables_initializer()

#开启tf session
session=tf.Session()
session.run(init)

session.run(train) # 运行一次梯度下降
print(session.run(w)) # 打印w的现在的值 0.099999994

# 运行1000次梯度下降迭代
for i in range(1000):
    session.run(train)
print(session.run(w)) # 4.9999886 很接近最优值5了

运行结果：

#定义参数w
w=tf.Variable(0, dtype=tf.float32)

#定义损失函数w**2-10w+25
#cost = tf.add(tf.add(w**2,tf.multiply(-10.,w)),25)

#上面是对固定的函数而言的
#给上面的函数添加变化的3个系数(placeholder,稍后给你数据)
x = tf.placeholder(tf.float32, [3,1])
cost = x[0][0]*w**2 + x[1][0]*w + x[2][0]

#定义系数coeff提供给x
coefficient = np.array([[1.],[-10.],[25.]])

#使用梯度下降算法来最小化cost，0.01是学习率。
train = tf.train.GradientDescentOptimizer(0.01).minimize(cost)

#初始化
init=tf.global_variables_initializer()

# 开启tf session
session=tf.Session()

# 初始化全局变量
session.run(init)

# 让tf评估一个变量
session.run(train, feed_dict={x:coefficient}) # 运行一次梯度下降
print(session.run(w)) # 打印w的现在的值 0.099999994

# 运行1000次梯度下降迭代
for i in range(1000):
    session.run(train, feed_dict={x:coefficient})
print(session.run(w)) # 4.9999886

运行结果：

• tf.placeholder(dtype, shape, name=None)是TensorFlow中用于定义占位符的函数。
• 在TensorFlow的静态图定义中，占位符允许我们定义一个可以稍后提供实际数据的节点。
• 在运行时，我们可以使用feed_dict参数向这个占位符喂入具体的数据值。