深度学习（三）：线性回归模型的保存和加载

在本节，我们用tensorflow实现一个简单的线性回归
我们首先把这个过程分为三步：算法，线性回归 ；
策略 ， 均方误差；
优化 ， 梯度下降

1.准备好特征值和目标值（这里取一个特征值x，有100个样本）
2.建立模型（准备一个w和b） , y_predict = w x +b ,这里的w,b必须随机初始化
3.求损失函数，(（y1-y1’）^2+…+ ( y100-y100’) ^2)/100
4.梯度下降，这是优化的方法（tennsorflowz中有,只需要自己指定学习率）

下面我们介绍下需要用到的api:
矩阵计算：tf.matmul(x,w)
平方：tf.square(error)
均值：tf.reduce_mean(error)
梯度下降：tf.train.GradientDecentOptimizer(learning_rate) 最小化损失，返回一个梯度下降的op

在上述第二步中，模型的参数，w,b必须用变量定义，不能用张量，因为变量是默认在训练过程中不断变化的
在编程的时候，尽量用矩阵相乘，别用遍历，这样速度太慢。

def my_regression():
#1.准备数据，特征值x, [100,1],目标值y,[100]
#这里x用张量定义，
x=tf.random_normal([100,1] , mean=1.75, stddev=0.5,name=“x_data”)
y_true=t