深度学习tensorflow：入门、原理与进阶实战的第一个例子简化演示

深度学习tensorflow：入门、原理与进阶实战的第一个例子，我做了适当简化，图像动态演示数据在训练过程中，不断逼近函数y=2x的过程。

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
#准备训练数据，并且画出数据点的分布
train_X=np.linspace(-1,1,100)
train_Y=2*train_X+np.random.randn(*train_X.shape)*0.2
plt.grid()
plt.plot(train_X,train_Y,'ro',label='Original data')

#搭建模型
X=tf.placeholder(tf.float32)
Y=tf.placeholder(tf.float32)
W=tf.Variable(tf.random_normal([1]),name="weight")
b=tf.Variable(tf.zeros([1]),name="bias")
#前向结构
z=tf.multiply(X,W)+b
#反向优化
cost=tf.reduce_mean(tf.square(Y-z))
learning_rate=0.01
optimizer=tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)
#初始化
init=tf.global_variables_initializer()
training_epochs=100
#启动模型
with tf.Session() as sess:
    sess.run(init)
    plotdata={"epoch":[],"loss":[]}
    for epoch in range(training_epochs):
        for (x,y) in zip(train_X,train_Y):
            sess.run(optimizer,feed_dict={X:x,Y:y}) #每一次优化，cost是一个标量：衡量误差的标量
        loss=sess.run(cost,feed_dict={X:train_X,Y:train_Y})#每训练一个纪元，根据此时weight和bias统计一下此时的平均误差衡量数值loss
        print("Epoch:",epoch+1,"Cost:",loss,"W=",sess.run(W),"b=",sess.run(b))
        plotdata["epoch"].append(epoch)
        plotdata["loss"].append(loss)
        plt.plot(train_X,sess.run(z,feed_dict={X:train_X,Y:train_Y}))
        plt.title("W:%f,b:%f"%(sess.run(W),sess.run(b)))
        plt.legend()
        plt.pause(0.1)
    print("Finished")
    plt.show()

改代码请在IDE中运行，jupyter中无法显示动态图