4拟合线性函数的k和b

import tensorflow as tf
import numpy as np
 
#使用numpy生成100个随机点
x_data=np.random.rand(100)
y_data=x_data*0.1+0.2   #这里我们设定已知直线的k为0.1 b为0.2得到y_data
 
#构造一个线性模型
b=tf.Variable(0.)
k=tf.Variable(0.)
y=k*x_data+b
 
#二次代价函数（白话：两数之差平方后取 平均值）
loss=tf.reduce_mean(tf.square(y_data-y))
#定义一个梯度下降法来进行训练的优化器（optimizer其实就是按梯度下降的方法改变线性模型k和b的值，注意这里的k和b一开始初始化都为0.0，后来慢慢向0.1、0.2靠近）
optimizer=tf.train.GradientDescentOptimizer(0.2)    #这里的0.2是梯度下降的系数（学习率）也可以是0.3...
#最小化代价函数(训练的方式就是使loss值最小，loss值可能是随机初始化100个点与模型拟合出的100个点差的平方相加...等方法)
train=optimizer.minimize(loss)
 
#初始化变量
init=tf.global_variables_initializer()
 
with tf.Session() as sess:
    sess.run(init)
    #迭代，每次迭代run（train）即最小化loss
    for step in range(201):
        sess.run(train)
        if step%20==0:
            print(step,sess.run([k,b])) #这里使用fetch的方式只是打印k、b的值，每20次打印一下，改变k、b的值是梯度下降优化器的工作

0 [0.054449033, 0.100353315]
20 [0.10394257, 0.19785142]
40 [0.102303684, 0.19874461]
60 [0.10134606, 0.19926646]
80 [0.100786515, 0.19957139]
100 [0.10045955, 0.19974957]
120 [0.10026849, 0.19985369]
140 [0.10015687, 0.19991452]
160 [0.10009168, 0.19995004]
180 [0.10005357, 0.1999708]
200 [0.10003129, 0.19998296]

该系列基础实例参考视频