tensorflow学习（4）- 用tensorflow训练线性函数的斜率和截距

前言

上一篇博客：tensorflow学习（3）- Fetch&Feed
b站上看这个老师的课程还是很良心的，从实用例子入手让我感觉学习理解上都有很大的帮助~这一节直接上手训练线性函数的斜率和截距。

导入包

import tensorflow as tf
import numpy as np

生成训练样本

#使用numpy生成100个随机点
x_data = np.random.rand(100)
#构建y关于x的线性关系
y_data = x_data * 0.1 + 0.2

构造一个线性模型

b = tf.Variable(0.)
k = tf.Variable(0.)
y = k * x_data + b

• 这里要注意，b和k的值要求是浮点型的，所以在0后面必须跟上一个“.”。

设计优化器

#二次代价函数
loss = tf.reduce_mean(tf.square(y_data - y))
#定义一个梯度下降算法来进行训练的优化器
optimizer = tf.train.GradientDescentOptimizer(0.2)
#最小化代价函数
train = optimizer.minimize(loss)

• 这里注意0.2这个参数是学习速率，速率越大，准确性越差，这里大概的试了下，当大于0.8之后训练结果相差甚远，0.7的值还是基本准确的。

开始训练

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

with tf.Session() as sess:
    sess.run(init)
    for step in range(201):
        sess.run(train)
        if step % 20 == 0:
            print(step,sess.run([k,b]))

输出结果