线性回归

import tensorflow as tf
import numpy as np
#Matplotlib是一个Python的图形框架，类似于MATLAB和R语言
import matplotlib.pyplot as plt
#随机生成1000个点 围绕在y=0.1x+0.3的直线周围
num_points=1000   #生成随机点
vectors_set=[]
for i in range(num_points):     #循环1000次
    x1=np.random.normal(0.0,0.55)  #数据点的横坐标 高斯初始化
    y1=x1*0.1+0.3+np.random.normal(0.0,0.03) #加上了小范围的分布 也是高斯分布
    vectors_set.append([x1,y1])       #把数据点放到vectors_set中
#生成一些样本
x_data=[v[0]for v in vectors_set]
y_data=[v[1]for v in vectors_set]
plt.scatter(x_data,y_data,c='r')
plt.show()
#生成一维W矩阵，取值是[-1,1]之间的随机数
#W是一维矩阵  值是随机在-1，1之间取的
W=tf.Variable(tf.random_uniform([1],-1.0,1.0),name='W')  #选取-1到1之间的随机数作为W的初始值
#生成一维的b矩阵，初始值是0
b=tf.Variable(tf.zeros(1),name='b')
#经过计算得出预估值y
y=W*x_data+b
#以预估值y和实际值的y_data的均方误差作为损失
#square 平方项
loss=tf.reduce_mean(tf.square(y-y_data),name='loss')
#采用梯度下降法来优化参数#
optimizer=tf.train.GradientDescentOptimizer(0.5)
#训练过程就是最小化这个误差值 optimizer优化器
train=optimizer.minimize(loss,name='train')
sess=tf.Session()
init=tf.global_variables_initializer()#全局变量的初始化
sess.run(init)
#初始化W和b是多少
print("W=",sess.run(W),"b=",sess.run(b),"loss=",sess.run(loss))
#执行20次训练
for step in range(20):
    sess.run(train)
    #输出训练好的W和b
    print("W=",sess.run(W),"b=",sess.run(b),"loss=",sess.run(loss))
plt.scatter(x_data,y_data,c='r')
plt.plot(x_data,sess.run(W)*x_data+sess.run(b))
plt.show()