tensorflow - linearregression

import numpy as np
import tensorflow as tf


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

‘‘‘
tf.Variable 来创建描述 y 的参数. 我们可以把 y_data = x_data*0.1 + 0.3 想象成 y=Weights * x + biases, 然后神经网络也就是学着把 Weights 变成 0.1, biases 变成 0.3
‘‘‘
weights = tf.Variable(tf.random_uniform([1], -1, 1))
biases = tf.Variable(tf.zeros([1]))

y = weights * x_data + biases

# 计算误差
loss = tf.reduce_mean(tf.square(y - y_data))

# 反向传递误差的工作就教给optimizer了, 我们使用的误差传递方法是梯度下降法: Gradient Descent 让后我们使用 optimizer 来进行参数的更新
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)

# 到目前为止, 我们只是建立了神经网络的结构, 还没有使用这个结构. 在使用这个结构之前, 我们必须先初始化所有之前定义的Variable
# init = tf.initialize_all_variables() # tf 马上就要废弃这种写法
init = tf.global_variables_initializer()

# 创建会话 Session,用 Session 来执行 init 初始化步骤. 并且, 用 Session 来 run 每一次 training 的数据. 逐步提升神经网络的预测准确性.
sess = tf.Session()
sess.run(init) # very import

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

sess.close()

# with tf.Session() as sess:
#     sess.run(init)  # very import
# 
#     for step in range(201):
#         sess.run(train)
#         if step % 20 == 0:
#             print(step, sess.run(weights), sess.run(biases))