03、用Tensorflow训练一个线性回归

目标：根据给定的线性回归公式，训练构建模型，获取与给定公式参数相差最小的参数值代码：#######################################################################给出一个线性代数,通过给出的值训练自己模型,得出接近给出线性代数的参数########################################################################coding:utf-8#导入TensorFlow python API库import tensorflow as tfimport numpy as np#随机生成100点（x，y）x_data = np.random.rand(100).astype(np.float32) #(0-1)y_data = x_data * 0.1 + 0.3 #(0.3,0.4) 实际数据#构建线性模型的tensor变量W, bW = tf.Variable(tf.random_uniform([1], -1.0, 1.0)) #Variable 创建一个变量;随机生成1个 -1至1之间的浮点数b = tf.Variable(tf.zeros([1])) #返回一个0y = W * x_data + b#构建损失方程，优化器及训练模型操作trainloss = tf.reduce_mean(tf.square(y - y_data)) #求平均值 预测值余实际模型之间的最小成本optimizer = tf.train.GradientDescentOptimizer(0.5) #学习速率train = optimizer.minimize(loss)#构建变量初始化操作initinit = tf.initialize_all_variables()#构建TensorFlow sessionsess = tf.Session()#初始化所有TensorFlow变量sess.run(init)#训练该线性模型，每隔20次迭代，输出模型参数for step in range(201):  sess.run(train)  if step % 20 == 0:  print(step, sess.run(W), sess.run(b))

实验结果如下:（学习步率越小，需要训练的次数、数据越多）