最近學習了下tensorflow，感覺這玩意有點類似matlab擬合曲線。給你一堆資料，然後進行數學建模，然後求出合適的模型中的各個引數

來看看下面這個例子，我們構造一些離散的點，這些點我們暫且從 y = 0.1x + 0.3 （樣本函式）這個曲線中拿得。
根據這些點的特徵，我們大概建立一個線性模型 y = Wx + b，然後把這些點餵給tensorflow，求出越來越精確的W和b的值

詳細原始碼及解釋如下：

#!/usr/bin/python
# -*- coding: utf-8 -*-
# author: arvik
# blog: http://blog.csdn.net/u012819339
 

# email: [email protected]

#本例子取一個一次函式(y = Wx + B)上的一些離散的點，給tensorflow訓練，讓tensorflow得出一次函式中的權重W和偏移量B

import tensorflow as tf
import numpy as np

#構造一些離散的點
x_data = np.random.rand(1000).astype(np.float32)
y_data = x_data * 0.1 + 0.3


#tensorflow建模
Weights = tf.Variable(tf.random_uniform([1], -1.0, 1.0
 
))  #設定權重的初始值1以及變化範圍（-1， 1）
biases = tf.Variable(tf.zeros([1])) #設定偏移量的初始值為0
y = Weights * x_data + biases #對以上離散的點建立一個一次函式的數學模型


#實際值和預測值的差值平方再求平均值，訓練的目的就是要讓這個loss越來越小
loss = tf.reduce_mean(tf.square(y-y_data))
#優化器，，目前選擇梯度下降法來優化，步長（學習效率）選擇0.5
optimizer = tf.train.GradientDescentOptimizer(0.5)
#訓練目的，減少loss
 

train = optimizer.minimize(loss)

#初始化所有的變數
#init = tf.initialize_all_variables()  #該函式已經被棄用
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)

#訓練
for step in range(400):
    sess.run(train)
    if step % 20 == 0:
        print(step, sess.run(Weights), sess.run(biases))

sess.close()

效果：
運行了兩次，我們發現W和b值越來越接近我們的樣本函式中的引數值