tensorflow打印模型结构_深度学习入门 | 第三章：神经网络的TensorFlow实现（2）

点击关注了解更多精彩内容！！

3.3线性回归模型的Tensorflow实现

深度学习是一种特殊的非线性回归分析方法，之所以“特殊”，是因为它常常涉及非结构化数据，如图像、声音、语言。本节首先复习线性回归的基础知识，然后以图像作为非结构化的变量，以连续型因变量作为，在TensorFlow的框架下建立到的线性回归模型。最后通过一个美食评分案例介绍代码实现的步骤。

3.3.1 线性回归模型

线性回归(Linear Regression)是指利用回归分析来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。

进行回归分析之前，首先要确定因变量和自变量。

(1)因变量(Dependent Variable)：是被预测或被解释的变量，用表示。

(2)自变量(Independent Variable)：是用来预测或解释因变量的一个或多个变量，用表示。

因此，如果回归分析只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，则这种回归分析称为一元线性回归分析。如果在回归分析包括两个或两个以上自变量，且因变量和自变量之间是线性关系，则称为多元线性回归分析。

假设是一个连续型因变量，表示人们对一张彩色图像的喜爱程度，是相应的解释性变量(一张三通道彩色图像的立体像素矩阵)，由于个性化的因素，无法通过一张图像来解释，所以除了之外，还要考虑噪音项?，?代表所有与相关却与图像无关的因素。那么，一个标准的线性回归模型设定如下：

各参数的含义如下。

：截距项。