在本节，我们用tensorflow实现一个简单的线性回归
我们首先把这个过程分为三步：算法，线性回归 ；
策略 ， 均方误差；
优化 ， 梯度下降
1.准备好特征值和目标值（这里取一个特征值x，有100个样本）
2.建立模型（准备一个w和b） , y_predict = w x +b ,这里的w,b必须随机初始化
3.求损失函数，(（y1-y1’）^2+…+ ( y100-y100’) ^2)/100
4.梯度下降，这是优化的方法（tennsorflowz中有,只需要自己指定学习率）
下面我们介绍下需要用到的api:
矩阵计算：tf.matmul(x,w)
平方：tf.square(error)
均值：tf.reduce_mean(error)
梯度下降：tf.train.GradientDecentOptimizer(learning_rate) 最小化损失，返回一个梯度下降的op
在上述第二步中，模型的参数，w,b必须用变量定义，不能用张量，因为变量是默认在训练过程中不断变化的
在编程的时候，尽量用矩阵相乘，别用遍历，这样速度太慢。
def my_regression():
#1.准备数据，特征值x, [100,1],目标值y,[100]
#这里x用张量定义，
x=tf.random_normal([100,1] , mean=1.75, stddev=0.5,name=“x_data”)
y_true=tf.matmul(x , [[0.7]])+0.8 #这里是矩阵相乘，必须是2维德，不能直接写0.7
#2.建立线性回归模型，1个w,1个bias，随机初始化，开始计算
weight=tf.Variable(tf.random_normal([1,1] , mean=0.0 , stddev=1.0) , name=“w”) #这个权重值是要在训练过程中不断变化的，所以要用变量定义
bias=tf.Variable(0.0 , name=“b”)
y_predict=tf.matmul(x,weigh)+bias
#3.建立损失函数，均方误差
loss=tf.reduce_mean(tf.square(y_true-y_predict))
#4.优化，梯度下降
train_op=tf.train.GradientDescentOptimizer(0.12).minimize(loss)
#通过会话运行程序
with tf.Session() as sess:
#初始化运行
sess.run(init_op)
#打印最初随机初始化的权重和偏置
print（“随机初始化参数权重为： %f,偏置为： %f” %(weeigh.eval() , bias.eval())）
#运行优化
sess.run(train_op)
for i in range(500):
sess.run(train_op)
print("第"+i+"次参数权重为： %f , 偏置为：%f" %(weigh.eval() , bias.eval()))
#想要看这个程序的图，
filewrite = tf.summary.FileWriter("./tmp....",graph=sess.graph)
return None
if name == “main”:
my_regression()
tf.Variable()中有个trainable参数,为True,保证变量在训练时是可变的
在tensorflow中还有作用域的概念: tf.variable_scope(" 在tensorboard显示的name ")
我们把上文中步骤1的代码放入，这样graph会用作用域封装，使得图的结构更加清晰，当我们要在tensorboard中添加权重和损失值以便观察其情况
我们要在会话启动前收集变量，合并变量写入事件文件中(这样才能在浏览器中看到)
eg: tf.summary.scalar(“loss”, loss) #前者是显示名字，后者是收集来的变量
merged = tf.summary.merge_all() #合并变量
在会话后的循环训练中加入
summary = sess.run(merged) #每次训练都运行变量的收集
filewriter.add_summary(summary, i )
当我们为了1防止模型文件在训练过程中被意外损坏，我们需要在训练的同时间隔性保存模型文件，模型文件叫checkpoint文件
文件的保存：
#在会话前先定义op,
saver=tf. train.Saver()
#在会话的循环训练中（或后，看你想保存几次），写入
saver.save(sess."./tmp…")
文件的加载：
在循环训练前写入加载模型，覆盖随机参数，这样就可以从上次结束的地方开始训练
if os.path.exis("./tmp…")： #先判断这个文件是否存在
saver.restore(sess,"./tmp…") #加载
最后是自定义命令行参数：1.首先定义有哪些参数需要在运行时后指定。2.在程序当中获取定义命令行参数
定义：tf.app.flags.DEFINE_integer(“max_step” , 100 , “模型训练的步数”) #参数依次是 名字，默认值，说明
tf.app.flags.DEFINE_string(“model_dir” , " " , “模型加载路径”) # " "表示暂时是空的，等待添加
FLAGS=tf.app.FLAGS #获取上面两个命令行参数的名字
这样在循环训练处写入：
for i in range(FLAGS , max_step):
在上文的加载路径处写入：
saver.restore(sess.FLAGS.model_dir)
通过tf.app.run() 启动main(argv) 函数
