数据分析——梯度下降法解决线性回归问题

import tensorflow as tf
import numpy as np

# 原始数据
x_data=np.random.rand(100)
y_data=x_data*2+1

# 定义变量
k=tf.Variable(0.0)
b=tf.Variable(0.0)

# 训练数据
y=x_data*k+b

# 定义损失函数
loss=tf.reduce_mean(tf.square(y-y_data))

# 定义优化器
optimizer=tf.train.GradientDescentOptimizer(0.2)

# 定义训练模型
# optimizer具有minimize方法，该方法通过调整loss中变量的值，使loss不断减小
train=optimizer.minimize(loss)

# 变量初始化
init=tf.global_variables_initializer()

with tf.Session() as sess:
	sess.run(init)
	for step in range(201):
		sess.run(train)
		if step%10==0:
			print(sess.run([k,b,loss]))

运行结果：