我用的window版的pycharm实现的,所以在代码之前要加上,目的是为了在console中不会不必须的输出信息
import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
完成的代码实现如下,很简答,就是事先生成符合一定线性概率的数据,接着构建一个线性的模型,通过一个普通的二次损失函数去描述两个概率之间的差异,通过随机梯度下降的优化器去不断的优化,优化就是用过tensorflow自有的机制,然后每隔几次打印出来,观察迭代情况,后续可以把训练好的模型保存下来。
import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' import tensorflow as tf import numpy as np #随机生成的数据 a_data = np.random.rand(100) b_data = 0.1*a_data + 0.2 #设计表的简单结构,例如这里我们设计成一个线性结构 b = tf.Variable(0.) k = tf.Variable(0.) y = k*a_data + b #设计一个二次损失函数 loss = tf.reduce_mean(tf.square(b_data - y)) #定义一个损失优化器 train = tf.train.GradientDescentOptimizer(0.1).minimize(loss) init = tf.global_variables_initializer() with tf.Session() as sess: sess.run(init) for step in range(10000): sess.run(train) if step % 20 == 0: print(step,sess.run([k,b]))