tensorflow 使用 3 模型学习

模型学习

import tensorflow as tf
import numpy as np

#  生成 100 个随机的点
x_data = np.random.rand( 100 )
y_data = x_data * 0.1 + 0.2

# 构造个线性模型
b = tf.Variable( 0.)
k = tf.Variable( 0.)
y = k * x_data + b

# 二次代价函数
loss = tf.reduce_mean( tf.square(y_data-y) )

# 定义一个梯度下降法的优化器
optimizer = tf.train.GradientDescentOptimizer( 0.2 )

# 最小化代价函数
train = optimizer.minimize( loss )
#  loss 越小越接近于上边的线性模型真实值

# 初始化变量
init = tf.global_variables_initializer()

with tf.Session() as sess:
  sess.run( init )
  for step in range( 201 ):
    sess.run( train )

    # 每 20 次打印下
    if step % 20 == 0:
      print( step, sess.run([b, k]) )

　　

0   [0.09943417, 0.051246386]
20  [0.19920087, 0.10154804]
40  [0.19950311, 0.10096269]
60  [0.19969101, 0.100598656]
80  [0.19980785, 0.10037227]
100 [0.19988051, 0.100231506]
120 [0.1999257, 0.10014396]
140 [0.1999538, 0.10008951]
160 [0.19997126, 0.10005567]
180 [0.19998214, 0.100034624]
200 [0.19998889, 0.10002153]

　　

实验得出， k , b 的值，不管初次是多少，经过学习后 b 会接近 0.2， a 会接近 0.1