走进tensorflow第五步——一个小例子探究权重和学习率

来一次从零开始的tensorflow实战吧……

从简至繁吧，代码注释比较详细，来看：

# -*- coding: utf-8 -*-
import numpy as np
import tensorflow as tf
import time

x_0=np.array([[1],[2],[1]]) #生成一个损失函数系数数组
x=tf.placeholder(tf.float32,[3,1])  #占位符，第一个参数为类型，第二个为形状
w=tf.Variable([0],dtype=tf.float32)  #定义变量w，初始值为0.0

loss=x[0]*w**2+x[1]*w+x[2] #定义损失函数
train=tf.train.GradientDescentOptimizer(0.001).minimize(loss) #梯度下降优化，学习率为0.001
init=tf.global_variables_initializer()  #初始化变量

#启动图
sess=tf.Session()
sess.run(init)
print(sess.run(w))  #显示w初值

go=time.time()  #开始执行的时间
for i in range(1000):  #迭代1000次
    sess.run(train,feed_dict={x:x_0})  #用feed_dict给x传值
over=time.time() #结束时间 

print(sess.run(w))    #打印训练之后的w，-1为最优
print(str(1000*(over-go))+'ms')   #显示训练时间，单位为s，转化为毫秒更直观

动态地给损失函数赋值，可以多角度更直观地查看训练的效果，目前大家需要关注两个值，学习率0.001和迭代次数