4.線形回帰

インポートのTFとしてtensorflow
 輸入のNPとしてnumpyの
 輸入 PLTとしてmatplotlib.pyplot

x_data = np.random.rand（100 ）
ノイズ = np.random.normal（0,0.01 、x_data.shape）
y_data = x_data * 0.1 + 0.2 + ノイズ

plt.scatter（x_data、y_data）
plt.show（）

＃線形モデルの構築 
D = tf.Variable（np.random.rand（1 ））
K = tf.Variable（np.random.rand（1 ））、
Y = K * x_data + D 

＃次コスト関数 
損失= TF .losses.mean_squared_error（y_dataは、Y）
＃は、勾配降下オプティマイザ定義 
オプティマイザ= tf.train.GradientDescentOptimizer（0.3 ）
 ＃コスト関数最小化 
列車= （損失）optimizer.minimizeを

＃変数を初期化 
INIT = tf.global_variables_initializer（）

セッション数AS（）とtf.Session：
    sess.run（INIT）
    のための I におけるレンジ（201 ）：
        sess.run（電車）
        IFI％20 == 0：
             プリント（I、sess.run（[K、D]））
    y_pred = sess.run（Y）
    plt.scatter（x_data、y_data）
    plt.plot（x_data、y_pred、' R- '、LW = 3 ）
    plt.show（）

0アレイ（[0.42558686]）、アレイ（[0.07772181）] 
20 [配列（[0.24686251]）、アレイ（[0.1212207）] 
40 [配列（[0.17103131]）、アレイ（[0.16282419）] 
60 [アレイ（[0.13410329]）、アレイ（[0.18308412）] 
80 [配列（[0.1161202]）、アレイ（[0.19295024）] 
100 [配列（[0.10736286]）、アレイ（[0.1977548）] 
120 [配列（ 【0.10309823]）、アレイ（[0.20009452）] 
140 [配列（[0.10102146]）、アレイ（[0.2012339）] 
160 [配列（[0.10001012]）、アレイ（[0.20178875）] 
180 [配列（[0.09951763 ]）、アレイ（[0.20205895）] 
200 [配列（[0.09927779]）、アレイ（[0.20219054）]