基于 tensorflow 的一个线性回归的简单例子

1、linear.py

import tensorflow as tf
import numpy as np
#create some training data
x_data = np.random.rand(100).astype(np.float32)
y_data = x_data*2 + 5
print ("x_data:")
print( x_data)
print ("y_data:")
print (y_data)
#create the weights and bias variables
weights = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
print ("weights before initializing:")
print (weights)
biases = tf.Variable(tf.zeros([1]))
print ("bias before initializing:")
print (biases)
#predict (fit) value
y = weights*x_data + biases
#loss function
loss = tf.reduce_mean(tf.square(y - y_data))
#optimizer definition
optimizer = tf.train.GradientDescentOptimizer(0.1)
#train definition
train = optimizer.minimize(loss)
#initialiing the variables
init = tf.initialize_all_variables()
#session definition and active
sess = tf.Session()
sess.run(init)
#train the model
for step in range(501):
  sess.run(train)
  if step % 10 == 0:
    print (step,sess.run(weights),sess.run(biases))

注：tensorflow API文档

https://www.tensorflow.org/api_docs/

2、代码解释

tf.random_uniform：随机产生一个均匀分布
random_uniform(
shape,
minval=0,
maxval=None,
dtype=tf.float32,
seed=None,
name=None
)
tf.square：求平方
tf.reduce_mean：在一个tensor（张量）中求平均值
对指定的reduction_index进行行均值计算。
reduction_indices为0时，是算的不不同的[]的同一个位置上的均值，
reduction_indices为1是算的[]内的均值。
tf.train.GradientDescentOptimizer：梯度下降优化器器
tf.train.GradientDescentOptimizer.minimize：对目标函数进行最小化，step by step
init = tf.initialize_all_variables()：初始化所有的TF变量量（标准写法）
sess = tf.Session()：定义一个运⾏行行Tensorflow的类，建立一个Session会话，只要你不close这个Session，训练的上下文关系就仍然存在
sess.run(init)：运行一个operation并且对其影响的tensor进行计算