机器学习3：简单的线性模型（一）

tf.constant()表示常量，常用于定义常量，tf.constant(3.0, dtype = tf.float32)，前一个参数是数值，后一个是类型，也可以这样用，tf.constant('Hello TensorFlow')表示定义了一个字符串常量。

tf.add()表示调用一个加法算法，参数可以是常数，也可以是列表。

tf.Session()创建一个Session对象，然后调用其运行方法来运行足够的计算图来评估node1和node2

如果用TensorBoard查看add，adder和triple的可视图，即可得到：

每一步的代码：

tf.Variable()标识变量，用法和tf.constant()基本相同。

tf.placeholder()表示一个占位符，表示之后会对这个占位提供一个值。

tf.global_variables_initializer()和sess.run(init)表示对全部的全局变量进行初始化。

我们创建了一个模型，但是我们不知道它有多好。 为了评估培训数据模型，我们需要一个y占位符来提供所需的值，我们需要编写一个损失函数。
损失函数测量当前模型与提供的数据之间的距离。 我们将使用线性回归的标准损失模型，它将当前模型和提供的数据之间的三角形的平方相加。 linear_model - y创建一个向量，其中每个元素都是对应的示例的错误增量。 我们调用tf.square来表示该错误。 然后，我们求和所有平方误差，创建一个单一的标量，使用tf.reduce_sum抽象出所有示例的错误。

变量初始化为提供给tf.Variable()的值，但可以使用像tf.assign()这样的操作来更改。