TensorFlow入门例子_预测直线

本文要做的是预测一条二元一次的直线：
y = 0.1x + 0.3
预测过程中输出每隔一定训练次数时的b和a的值。

下面是本例子的代码：

import tensorflow.compat.v1 as tf#这是一个机器学习框架
tf.disable_v2_behavior()
import numpy as np

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

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

y = Weights * x_data + biases

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

init = tf.initialize_all_variables()
#create tensorflow structure end

sess = tf.Session()
sess.run(init)

for step in range(201):
    sess.run(train)
    if step % 20 == 0:
        print(step, sess.run(Weights), sess.run(biases))

1. 导入tensorflow库并简写为tf，tf是一个深度学习框架
2. 导入numpy库并简写为np，np是一个进行科学计算的模块，是一个可以在多维数组和矩阵上执行高级数学函数的库
3. 创造数据x_data，随机产生100个范围在[0,1)之间，类型为float32的数。在tensorflow中，其大部分的数据类型都是float32。 y_data = x_data * 0.1 + 0.3 开始创建tensorflow神经网络结构
4. Weights相当于参数b，biases相当于参数a
5. tf.Variable()中的Variable是‘变量’的意思，tf.Variable()可以理解为生成参数变量tf.random_uniform()是生成随机数列的意思。[1]指的是一个一维的结构，因为参数b是一个一维的数据。-1,1是随机数的范围
6. tf.zero()指生成数值为‘0’的数据，其中[1]也是指一个一维结构 y指的是预测得到的因变量的值
7. 7计算loss为的是能在接下来的训练中提升y的准确度，loss等于预测值y和真实值y_data的均方差
8. 8optimizer是神经网络需要建立的一个优化器， 0.5指的是learningrate（学习率），学习率一般是一个小于1的数并且用这个优化器optimizer使得误差loss到最小。提升参数的准确度，使得下次训练得到的误差更小，这是训练神经网络非常重要的一点
9. initialize_all_variables()可以理解为初始化神经网络。因为虽然我们之前已经建立了变量Weights，biases，但是在神经网络中却还没有初始化这些变量
10. sess.run(init)是激活神经网络，run就像一个指针，它的参数init就是指针指向的位置.

博客内容通过整理莫烦tensorflow教学视频，如果觉得对你有用，请留下你的赞。