【TensorFlow入门完全指南】模型篇·线性回归模型

首先呢，进行import，对于日常写代码来说，第二行经常写成：import numpy as np，这样会更加简洁。第三行import用于绘图。

定义了学习率、迭代数epoch，以及展示的学习步骤，三个参数。

同时给出了训练用的原始数据，n_samples用来记录一共有多少数据。

这里指明了计算图的输入，W和b是模型的权重矩阵和偏差，目的是要学习一个

\[y=\mathbf{W}x+\mathbf{b}\]

函数。

这里就定义了上述函数。

这里定义了损失函数cost，使用了平方损失。

optimizer是优化器，用来定义训练方法，这里使用了梯度下降。

最后初始化所有的变量。当然我认为最好的初始化还是高斯分布。

这次是在指定的迭代次数里进行循环，每一次迭代，都输入一次zip(x,y)即x与y的元素绑定，数据被完整地喂了num_epoch次。每过几次，就展示一下log。

上面代码的核心代码就是这行：，所有的代码都是在不断地运行这行优化代码，请记住sess.run()的这种用法。

最后四行代码用来绘图，效果如下：

下图展示了学习log。