过程：

先用numpy建立100个数据点，再用梯度下滑工具来拟合，得到完美的回归线。

 # _*_coding:utf-8_*_

 import tensorflow as tf

 import numpy as np

 # 用numpy建立100个数据点，y=x*0.1+0.3

 x_data = np.random.rand(100).astype("float32")

 y_data = x_data*0.1+0.3

 # 建立权值变量W和偏移量变量b

 W = tf.Variable(tf.random_uniform([1],-1.0,1.0))

 b = tf.Variable(tf.zeros([1]))

 y = W * x_data + b

 # 最小化均方差

 loss = tf.reduce_mean(tf.square(y - y_data))

 optimizer = tf.train.GradientDescentOptimizer(0.5)  #train里面有最优化函数

 train = optimizer.minimize(loss)    #gradient descent 作用的是代价函数

 # 变量使用前要初始化

 init = tf.initialize_all_variables()

 # 载入图（在一个session被建立并且run()函数被运行前，TensorFlow不会进行任何实质的计算）

 sess = tf.Session()     # 会话将图的 op 分发到如 CPU 或 GPU 之类的 设备 (Devices()) 上, 同时提供 执行 op 的方法

 sess.run(init)

 # 调整线

 for step in xrange(201):

     sess.run(train)

     if step % 20 == 0:

         print (step, sess.run(W), sess.run(b))

运行结果：

(0, array([ 0.32897317], dtype=float32), array([ 0.2412499], dtype=float32))

(20, array([ 0.15775403], dtype=float32), array([ 0.26956022], dtype=float32))

(40, array([ 0.11639664], dtype=float32), array([ 0.29135802], dtype=float32))

(60, array([ 0.1046551], dtype=float32), array([ 0.29754651], dtype=float32))

(80, array([ 0.10132162], dtype=float32), array([ 0.29930344], dtype=float32))

(100, array([ 0.10037522], dtype=float32), array([ 0.29980224], dtype=float32))

(120, array([ 0.10010655], dtype=float32), array([ 0.29994386], dtype=float32))

(140, array([ 0.10003026], dtype=float32), array([ 0.29998407], dtype=float32))

(160, array([ 0.10000858], dtype=float32), array([ 0.29999548], dtype=float32))

(180, array([ 0.10000245], dtype=float32), array([ 0.29999873], dtype=float32))

符合：y=x*0.1+0.3

回归

TensorFlow——热身运动：简单的线性回归

过程：

运行结果：