此系列将会每日持续更新，欢迎关注
线性回归(linear regression)的TensorFlow实现
#这里是基于python 3.7版本的TensorFlow
TensorFlow是一个机器学习的利器，打包了众多的机器学习中的模型以及各种数学上的处理
因此利用TensorFlow来学习机器学习能起到事半功倍的效果。
以下代码即是线性回归的实现（实现对函数 y = 0.1 x + 0.3 的回归）代码内给出详细注释便于理解
import tensorflow as tf
import numpy as np
#生成原始数据 begin
x_data = np.random.rand(100).astype(np.float32) #利用rand(100)生成一个一行100列的矩阵，
y_data = x_data*0.1 + 0.3 #astype(np.float32)是由于TensorFlow处理的数据类型通常为此类型
#生成原始数据 end
### 构建tensorflow的结构 start ###
Weights = tf.Variable(tf.random_uniform([1], -1.0, 1.0)) #权重，即为 y = ax + b 中的 a
biases = tf.Variable(tf.zeros([1])) #偏置值，即为 y = ax + b 中的 b
y = Weights*x_data + biases
loss = tf.reduce_mean(tf.square(y-y_data)) #reduce_mean意为取y-y_data的平方的均值
optimizer = tf.train.GradientDescentOptimizer(0.5) #这里采用最简单的梯度下降法来实现回归，梯度下降法将会在以后的博客中利用octave梳理内部细节的实现
#简单来讲，梯度下降就是：1.求导 2.向导数为零的点靠拢。
#这里的0.5表示学习率，通俗来说就是向导数为零的点靠拢的速度。
train = optimizer.minimize(loss) #使得误差最小
### create tensorflow structure end ###
sess = tf.Session()
init = tf.global_variables_initializer() #将tf.global_variables_initializer()，即全局变量初始化写为init，这样后面就可以通过sess.run(init)来进行初始化
sess.run(init) #这一步才真正意义上初始化！
for step in range(201):
sess.run(train) #训练一次
if step % 10 == 0:
print(step, sess.run(Weights), sess.run(biases))#每10次输出一下结果，进行观察
这里是我的输出结果（因rand不同程序运行多次的结果可能各不相同）
================ RESTART: D:/TensorFlow/linear regression.py ================ 0 [0.36862874] [0.21253814] 20 [0.17672797] [0.25930387] 40 [0.12394582] [0.28729928] 60 [0.10747318] [0.29603627] 80 [0.10233228] [0.29876298] 100 [0.10072788] [0.29961395] 120 [0.10022715] [0.29987952] 140 [0.10007092] [0.2999624] 160 [0.10002212] [0.29998827] 180 [0.10000691] [0.29999635] 200 [0.10000216] [0.29999888]
几点要点补充：
1. TensorFlow中的一些语法会有一些反直觉：当你要声明一个变量时，必须用tf.Variable来声明这个变量，
而你想要输出某个数据时，例如Weights，必须采用print(sess.run(Weights))才可将其输出
2. Session 是 Tensorflow 为了控制,和输出文件的执行的语句. 运行 session.run() 可以获得你要得知的运算结果, 或者是你所要运算的部分.
例如：
import tensorflow as tf # create two matrixes matrix1 = tf.constant([[3,3]]) matrix2 = tf.constant([[2], [2]]) product = tf.matmul(matrix1,matrix2)
sess = tf.Session()
result = sess.run(product)
print(result）
sess.close()
输出结果为[[12]]。