【利用Tensorflow 实现和训练线性回归 (Linear Model)】（超级详细，附源代码）

附上github的源代码地址：https://github.com/w1449550206/Linear-regression-with-tensorflow.git

1.线性回归的介绍

根据训练数据，训练一个w1x1+w2x2+…+b = y，有多少个特征，就有多少个权重

2.训练数据的获取

假设随机的一百个点，且只有一个特征，y = wx+b
特征值：训练数据100个样本，100行1列[100, 1]
目标值：y = 0.8*x+0.7 (造数据用的，一开始是不知道的)

3.步骤分析

• 1.准备好数据集，我们制造y=0.8x+0.7的100个样本
• 2.建立线性模型，随机初始化w1和b1，y=wx+b，目标求出权重w和偏置b （比如我们随机一个w为0.2，b为0.7，和我们假设已经知道的0.8和0.7差很远，所以接下来要确定损失函数，然后梯度下降优化来找到损失最小的w和b）
• 3.确定损失函数（预测值与真实值之间的误差），即均方误差
• 4.梯度下降优化损失：需要制定学习率（超参数）

4.相关的API

运算

矩阵运算

tf.matmul(x,w)

平方

tf.square(error)

均值

tf.reduce_mean(error)

误差

error = tf.reduce_mean(tf.square(y_predict - y_true))

梯度下降优化

tf.train.GradientDescentOptimizer(learning_rate)

• learing_rate是学习率，一般为0-1之间比较小的值
• method: minimize(loss)损失优化
• return： 梯度下降op
  返回一个节点操作：

optimizer = tf.train.GradientDescentOptimizer(learning_rate = 0.01).minimize(error)

5.完整代码

1.准备好数据集，我们制造y=0.8x+0.7的100个样本

# 特征值x，目标值y_true
x = tf.random_normal(shape=(100, 1), mean=2, stddev=2)
y_true = tf.matmul(x,