Tensorflow &&python实战--用梯度下降的优化方法来快速解决线性回归问题
环境准备：
操作系统：Linux，语言：python，框架：TensorFlow，编辑器：vim。
在Linux系统下进入python，TensorFlow环境，命令如下：
再用vim编辑器生成和编辑python文件：按下回车键将会自动进入vim编辑中
引入我们所需要的包，字符集，我们即将开始编程：
1 数据的构建：
我们为什么要构建数据呢？因为在现实生活中，我们收集的数据是随机的，所以我们通过电脑随机生成数据，来模拟我们从生活中获得的数据。来我们先看命令：
points_num是值位100的一个整形常量，代表我们的样本的点为100个
vectors=[ ]表示创建一个空的list，注意这个list中的元素可以是一维张量。
接下来是一个for循环，我们注意到有xrang函数，和rang函数的效果一样，但是内在有不同：
>>>xrange(8)
xrange(8)
>>> list(xrange(8))
[0, 1, 2, 3, 4, 5, 6, 7]
>>> range(8)
# range 使用[0, 1, 2, 3, 4, 5, 6, 7]
我们可以观察到，rang和xrang生成一个顺序数列
rang（x，y，z）包含重载（意思是函数可以传1个，或者2个参数，等等），这里的x：开始数字，y：结尾数字。z：步长。
包含开始数字，而不包含结尾数字。
np.random.normal(x,y)：
numpy中
- numpy.random.normal(loc=0.0, scale=1.0, size=None)
loc:float
概率分布的均值，对应着整个分布的中心center
scale:float
概率分布的标准差，对应于分布的宽度，scale越大越矮胖，scale越小，越瘦高
size:int or tuple of ints
输出的shape，默认为None，只输出一个值
我们更经常会用到np.random.randn(size)所谓标准正太分布（μ=0, σ=1），对应于np.random.normal(loc=0, scale=1, size)
2 画出创建的数据：
这有详细的绘图指南：https://www.cnblogs.com/webary/p/5813855.html
plt.legend()：
是让图例生效
3 构造回归模型：
这是tf.variable的具体用法：http://blog.****.net/uestc_c2_403/article/details/72328296
- import tensorflow as tf;
- import numpy as np;
- import matplotlib.pyplot as plt;
- a1 = tf.Variable(tf.random_normal(shape=[2,3], mean=0, stddev=1), name='a1')
- a2 = tf.Variable(tf.constant(1), name='a2')
- a3 = tf.Variable(tf.ones(shape=[2,3]), name='a3')
- with tf.Session() as sess:
- sess.run(tf.initialize_all_variables())
- print sess.run(a1)
- print sess.run(a2)
- print sess.run(a3)
[[ 0.76599932 0.99722123 -0.89361787]
[ 0.19991693 -0.16539733 2.16605783]]
1
[[ 1. 1. 1.]
[ 1. 1. 1.]]
tf.random_uniform:
tf.reduce_mean():
tf.train.GradientDescentOptimizer(learingRate).minimize(loss):
4 咱们开始训练！
5 绘制所有的点和最佳的你和曲线。
注意里边用到的参数只要是用tf构造的，记得要run 一 run.