【Tensorflow】Tensorflow实现简单模型

之前我们说了一下Tensorflow的基本内容，这次我们用它来实现一些简单模型。包括线性回归模型，logistic回归，最近邻分类。

首先理顺一下思维，无论是要做什么模型，必须要有的几个是：

输入值、输出值、实际值、模型参数、损失函数。

步骤一般是 inference、loss、training。

inference指的是构建好模型，使其能够完成预测的要求。

loss指的是确定好损失函数。

training指的是对模型进行拟合。

下面我们来用线性回归，logistic回归和KNN算法来说明一下一个简单模型如何在tf中构建。

线性回归：

import tensorflow as tf
import numpy as np
# 简单的线性模型可以用y=x*w+b来表示

# 输入占位符，这个不是输入值，是拟合模型的时候代表了输入值
x=tf.placeholder('float')
# 这个不是输出值，是计算损失函数的时候用到的实际值
y=tf.placeholder('float')

# ----Inference
# 下面这两个就是模型的参数
# 权重参量
W=tf.Variable(np.random.randn(),name='weight')
# 偏移参量
b=tf.Variable(np.random.randn(),name='