簡述

下面有非常詳細的程式碼註釋

這裡的create資料的時候，其實就是建立了一個很簡單的模型，就是說，一條y= 0.1x+0.3的直線。

然後，我們建立了兩個變數，通過梯度下降的方式，不斷迭代，就可以迭代到我們想要的那幾個解當中。

程式碼

import tensorflow as tf
import numpy as np

# TensorFlow嫌棄了我這臺電腦的CPU(我這就避免了警報)
# ==================
import os

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
# ==================

# create data
 

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

# 建立兩個變數
# 第一個引數表示的資料規模，後面兩個表示的是資料上下界
Weights = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
# bias初始化為0
biases = tf.Variable(tf.zeros([1]))

# 構建一個y
y = Weights * x_data + biases
# 構建損失函式
loss = tf.reduce_mean(tf.square(y - y_data)
 
)

# 迭代方式(梯度下降法)
optimizer = tf.train.GradientDescentOptimizer(0.5)
# 訓練語句
train = optimizer.minimize(loss)

# 初始化
init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)  # Very important
    for step in range(201):
        sess.run(train)
        if step % 20 == 0:
            print
 
(step, sess.run(Weights), sess.run(biases))