TensorFlow--线性模型简单示例

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：