第一个tensorflow的demo

import tensorflow as tf
import numpy as np

x_data = np.random.rand(100).astype(np.float32)
y_data = 0.1*x_data+0.3

首先创建随机的100个数据x_data
目标函数y_data =0.1*x_data+0.3
这里0.1为Weight，0.3为biases

#create tensorflow structure start
Weights = tf.Variable(tf.random_uniform([1],-1.0,1.0))
biases = tf.Variable(tf.zeros([1]))

利用tensorflow预设一个随机的Weights和biases，Weights范围在-1到1，biases初始化为一位的0

y = Weights*x_data+biases

模拟出目标的函数

loss = tf.reduce_mean(tf.square(y-y_data))
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)

loss为预测出的y与y_data的误差
optimizer是tensorflow自带的优化器，这里选择的是GradientDescentOptimizer
训练时对误差进行最优优化

init = tf.global_variables_initializer()

初始化模型参数

session = tf.Session()
session.run(init)
for setp in range(201):
    session.run(train)
    if setp % 20 == 0:
        print(setp,session.run(Weights),session.run(biases))

session.close()

这里实例化会话，然后加载初始化后的模型，训练200次，每隔20次打印一下当前的Weights和biases，结果可以看出，已经相当接近目标函数的Weights和biases

image.png