tensorflow学习之一：为了很好的理解tensorflow的基础原理，举个小例子

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]))