机器学习笔记5：TensorFlow的了解与运行

　　本文的主要内容参考于TensorFlow中文社区内容，并在下面的文章中测试其中的样例代码。

　　本文主要是在完成Tensorflow的配置后，调用Python API进行测试的一段TensorFlow的测试代码。

　　算法主要的内容就是产生一些随机数据，然后构建一个平面去拟合这些数据。采用的算法也就是梯度下降的方式，通过循环迭代来拟合平面。

# coding=utf-8import tensorflow as tffrom numpy import *import numpy as npimport matplotlibimport matplotlib.pyplot as plt# 使用 NumPy 生成假数据(phony data), 总共 100 个点.x_data = np.float32(np.random.rand(2, 100)) # 随机输入y_data = np.dot([0.100, 0.200], x_data) + 0.300# 构造一个线性模型b = tf.Variable(tf.zeros([1]))W = tf.Variable(tf.random_uniform([1, 2], -1.0, 1.0))y = tf.matmul(W, x_data) + b# 最小化方差loss = tf.reduce_mean(tf.square(y - y_data))optimizer = tf.train.GradientDescentOptimizer(0.5)train = optimizer.minimize(loss)# 初始化变量init = tf.initialize_all_variables()# 启动图 (graph)sess = tf.Session()sess.run(init)# 拟合平面# 进行梯度下降来选取最佳的w与bfor step in xrange(0, 201):    sess.run(train)    if step % 20 == 0:        print step, sess.run(W), sess.run(b)W_result = []W_result = sess.run(W)b_result = sess.run(b)print W_result,b_result

　　运行的结果如下：

　　最佳拟合结果 W: [[0.100 0.200]], b: [0.300]

August 27 , 2017