Tensorflow——实现简单的线性回归

                                                         实现步骤 

• 引入库

import tensorflow as tf
import numpy as np

• 数据的随机生成

#使用numpy生成100个随机点
x_data = np.random.rand(100)
y_data = x_data*0.1 + 0.2

• 构造一个线性模型

#构造一个线性模型，此处的变量初始值可以随便赋值，不会怎么影响最后的参数值
b = tf.Variable(0.)
k = tf.Variable(0.)
y = k*x_data + b

• 定义二次代价函数

#定义二次代价函数
loss = tf.reduce_mean(tf.square(y_data - y))

• 使用tensorflow中的梯度下降法训练优化器，设置学习率（此处学习率设为0.2）

#定义一个梯度下降法来训练优化器，学习率设置为0.2
optimizer = tf.train.GradientDescentOptimizer(0.2)

• 最小化代价函数

#最小化代价函数
train = optimizer.minimize(loss)

• 进行训练，并得到训练优化后的参数结果（每二十步打印一次训练结果）

#开始训练
#初始化变量
init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    for step in range(220):
        sess.run(train)
        if step%20 == 0:
            print(step,sess.run([k,b]))

• 结果显示

由上可见，k趋近于0.1，b趋近于0.2，即我们训练出的模型和定义的线性模型基本相同