第一次利用tenserflow对 y = 0.1x + 0.3进行一个拟合

利用tenserflow对 y = 0.1x + 0.3 进行拟合

要求每二十次输出一下偏置和权重，直到拟合成功

1. 先引入tenserflow 和 numpy

import tensorflow as tf
import numpy as np

2. 创建训练集

x_data = np.random.rand(100).astype(np.float)
#生成100个随机数列，在tenserflow中大部分的数据的type定义为float32
y_data = x_data *0.1 + 0.3
# 我们要预测的函数的偏置w就是0.1，权重b就是0.3

开始创建tenserflow结构

4. 权重

Weights = tf.Variable(tf.random_uniform([1],-1.0,1.0))
# Weights必须大写，#Variable是位置的参数变量[1]表示一维数列，随机数列生成的范围是-1 - 1.0之间

5. 偏置

biases = tf.Variable(tf.zeros([1]))
# 初始值给他一个0，他会一步一步学习，把这个初始值从0学习到0.3

6. 预测函数

y = Weights *x_data +biase

7. 损失函数

loss = tf.reduce_mean(tf.square(y-y_data))
# （y预测-真实）^2

8. 优化器（梯度下降算法）

optimizer = tf.train.GradientDescentOptimizer(0.5)
#这是一个优化器，这里面采用的是梯度下降算法，学习速率是0.5，一般情况下这个学习速率是要小于1的

train = optimizer.minimize(loss)
# 利用设定好的优化器对损失函数进行优化，minimize是为了找到最优解

10. 注意，如果运用了tenserflow中的Variables(可变参数)，就要进行初始化

init = tf.initialize_all_variables()
# 初始化所有可变参数

tenserflow结构全部结束

11. 定义会话

sess = tf.Session()
sess.run(init)
#Session相当于一个指针，指向要处理的地方，处理的地方就被激活起来了
#激活init,这一步非常重要

12.设定每20次就输出一下权重和偏执

for step in range(201):
    sess.run(train)
    if step % 20 == 0:
        print(step,sess.run(Weights),sess.run(biases))

运行结果如下：