文章标题

--coding:utf-8--

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt #这个是用可视化训练过程的

创造数据

x_data = np.random.rand(100).astype(np.float32)
y_data = x_data*34+2.42344

create tensorflow structure start 开始创建结构

Weights1 =tf.Variable(tf.random_uniform([1],0.0,1.0))
Weights2 =tf.Variable(tf.random_uniform([1],30.0,50.0)) #Variable 是一个参数变量
biases = tf.Variable(tf.zeros(shape=1)) #创建一个初始值为零的一维矩阵

y = x_data * Weights2 +biases

loss =tf.reduce_mean(tf.square(y-y_data)) #计算预测值 y 和实际值 y_data 的差别

tf.reduce_mean()这个函数是用来求平均数的

optimizer = tf.train.GradientDescentOptimizer(0.55)
#0.5 是学习效率

因为刚开始误差很大，所以要建立一个优化器，来减少误差

之后的每次预测误差都会更小， 这是key idea

train = optimizer.minimize(loss)

init =tf.initialize_all_variables()

初始化所有的结构

sess = tf.Session()
sess.run(init) #激活 init 这个初始结构的函数

下面是训练过程可视化

fig = plt.figure()
ax = fig.add_subplot(1,1,1)
ax.scatter(x_data,y_data)
plt.show()

上面是训练过程可视化

for step in range(1000):
sess.run(train)
if step%10==0 :
print(step,sess.run(Weights2),sess.run(biases),loss)