tensorflow模块练习，构造线性回归模型

上代码：

#导入模块
import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt

num_points=1000 #随机生成100个点，围绕在y=0.1x+0.3的直线周围
vectors_set=[] #用来保存1000次随机生成的x,y的值

for i in range(num_points):
    x1=np.random.normal(0.0,0.55) # 均值0.0，标准差0.55
    y1=x1*0.1+0.3+np.random.normal(0.0,0.03) # 均值0.0，标准差0.03
    vectors_set.append([x1,y1])

x_data=[v[0] for v in vectors_set]
y_data=[v[1] for v in vectors_set]

W=tf.Variable(tf.random_uniform([1],-1.0,1.0,name='W')) #生成1维的W矩阵，取值是[-1,1]之间的随机数
b=tf.Variable(tf.zeros([1],name='b')) #生成一维的b矩阵
y=W*x_data+b #构建模型

loss=tf.reduce_mean(tf.square(y-y_data),name='loss') #损失值
optimizer=tf.train.GradientDescentOptimizer(0.5) #采用梯度下降法来优化参数
train=optimizer.minimize(loss,name='train') #训练的过程就是最小化这个误差值

sess=tf.Session() #打开会话
init=tf.global_variables_initializer() #初始化全局变量
sess.run(init) #运行全局变量
print(f'W = {sess.run(W)}',f'b = {sess.run(b)}',f'loss = {sess.run(loss)}') #没有训练之前的值
print('*'*100)
for i in range(50):
    sess.run(train)# 开始训练
    print(f'W = {sess.run(W)}',f'b = {sess.run(b)}',f'loss = {sess.run(loss)}')



plt.scatter(x_data,y_data,c='r')
plt.show()