首先得到原始数据x_data ,y_data
然后构建自己的线性模型 y = k*x_data+b
定义二次代价函数loss
定义一个使用梯度下降法训练的优化器optimizer
这里只有k,b是未知的,用梯度下降法来寻求使得 loss最小化的k,b
进行200次迭代,最后得到使得loss 较小的k,b作为线性模型的预测
#-*-coding:utf-8-*-
import tensorflow as tf
import numpy as np
#用numpy 生成100个随机点
x_data = np.random.rand(100)
y_data = 0.1*x_data + 0.2
#定义一个线性模型:
b = tf.Variable(0.)
k = tf.Variable(0.)
y = k*x_data + b
#定义二次代价函数
loss = tf.reduce_mean(tf.square(y_data - y))
#定义用梯度下降法来进行训练的优化器:
optimizer = tf.train.GradientDescentOptimizer(0.2)
#使用优化器来最小化代价函数
train = optimizer.minimize(loss)
#初始化变量:
init = tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init)
for _ in range(201):
sess.run(train)
print(_,sess.run([loss,k,b]))
运行结果: