TensorFlow学习（二）：线性方程

一、问题描述：

我们知道 y=Ax+b 是简单的线性方程，假设我们有一组符合方程的（x , y）坐标，也就是有一组测试数据，如何利用TensorFlow计算出A、b的值？这就是今天我们需要用tensorflow解决的问题。

二、构建模型：

我们设计线性模型 y = Wx + b 其中 x 代表输入的测试数据，我们用占位tensor表示，y是线性模型的输出，W和 b，使我们所求的值，所以用变量表示。
构建模型相应的代码：

# 创建变量 W 和 b 节点，并设置初始值
W = tf.Variable([.1], dtype=tf.float32)
b = tf.Variable([-.1], dtype=tf.float32)
# 创建 x 节点，用来输入实验中的输入数据
x = tf.placeholder(tf.float32)
# 创建线性模型
linearModel = W * x + b

tf.Variable()可以创建一个变量Tensor，变量tensor需要经过 init 过程才能够被使用。

tf.placeholder()创建占位Tensor，占位tensor的值，可以在运行的时候输入。

三、构建损失模型：

在计算实现模型的时候，我们需要评估，哪个模型更符合标准，在这里就是对应哪个W、b的值更符合测试数据，所以需要构建损失模型评估。
这里用下面的方程表示损失模型：

构建代码如下：

# 创建 y 节点，用来输入实验中得到的输出数据，用于损失模型计算
y = tf.placeholder(tf.float32)
# 创建损失模型
loss = tf.reduce_sum(tf.square(linearModel - y))

linearModel 表示我们根据W、b计算出的的 “ y ” 值，y表示真实测试数据的值。

四、使用训练模型：

我们需要首先明白，我们需要求W以及b的值。所以要不断改变W、b值，当对应的损失模型的值达到最小，即为所求的W、b。这是一个极其漫长的过程。TensorFlow提供了很多优化算法来帮助我们训练模型。
这里我们使用梯度下降优化算法来帮助训练模型。

# 创建一个梯度下降优化器，学习率为0.001
# 不断改变模型中变量W、b的值,找到最小损失值, 最后已为W、b 赋值

optimizer = tf.train.GradientDescentOptimizer(0.001)
train = optimizer.minimize(loss)

五、完整代码：

上面基本介绍了TensorFlow的基本流程，下面贴上完整代码，训练运行三万次，查看训练结果。

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
import tensorflow as tf

# 创建变量 W 和 b 节点，并设置初始值
W = tf.Variable([.1], dtype=tf.float32)
b = tf.Variable([-.1], dtype=tf.float32)
# 创建 x 节点，用来输入实验中的输入数据
x = tf.placeholder(tf.float32)
# 创建线性模型
linearModel = W * x + b

# 创建 y 节点，用来输入实验中得到的输出数据，用于损失模型计算
y = tf.placeholder(tf.float32)
# 创建损失模型
loss = tf.reduce_sum(tf.square(linearModel - y))

# 创建 Session 用来计算模型
sess = tf.Session()

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

# 创建一个梯度下降优化器，学习率为0.001
# 不断改变模型中变量W、b的值,找到最小损失值, 最后已为W、b 赋值

optimizer = tf.train.GradientDescentOptimizer(0.001)
train = optimizer.minimize(loss)

# 用两个数组保存训练数据
x_train = [1, 2, 3, 6, 8]
# y_train = [4.8, 8.5, 10.4, 21.0, 25.3]
y_train = [3.0, 5.0, 7.0, 13.0, 17.0]

print("训练之前，x=9", sess.run(linearModel, {x: [9]}))

# 训练10000次
for i in range(30000):
    sess.run(train, {x: x_train, y: y_train})

# 打印一下训练后的结果
print('W: %s b: %s loss: %s' % (sess.run(W), sess.run(
    b), sess.run(loss, {x: x_train, y: y_train})))

print("训练之后， x=9", sess.run(linearModel, {x: [9]}))

训练结果：

我们看到，训练结果求出了最符合测试数据的W、b的值，我们带入 x=9 计算出了预测值。基本上符合实际情况。