1、算法：线性回归
y = k x + b y = kx + b y=kx+b
2、策略：均方误差
3、优化：梯度下降
步骤1、准备好特征值和目标值
2、建立模型，随机初始化准备权重w和偏置b
y _ p r e d i c t = x w + b y\_predict = xw + b y_predict=xw+b
3、求损失函数，误差，均方误差
m
s
e
=
(
y
1
−
y
1
−
)
2
+
(
y
2
−
y
2
−
)
)
2
n
mse = \frac{(y1-y1^-)^2 + (y2-y2^-))^2 }{n}
mse=n(y1−y1−)2+(y2−y2−))2
4、梯度下降去优化损失过程，指定学习率
矩阵相乘
(m行，n列) * （n 行, 1列） = (m行， 1列) + 偏置
TensorFlow运算API
# 矩阵运算
tf.matmul(x, w)
# 平方
tf.square(error)
# 均值
tf.reduce_mean(error)
梯度下降API
tf.train.GradientDescentOptimizer(learning_rate)
参数：
learning_rate 学习率
方法：
minimize(loss)
return 梯度下降op
tips：模型参数必须用变量定义
代码实现# -*- coding: utf-8 -*-
"""
实现一个线性回归预测
"""
import tensorflow as tf
# 1、准备数据，x 特征值[100, 1] y 目标值 [100]
x = tf.random_normal((100, 1), mean=1.75, stddev=0.5, name="x_data")
# 矩阵相乘必须是二维的
y_true = tf.matmul(x, [[0.7]]) + 0.8
# 2、建立线性回归模型 1个特征，1个权重，1个偏置 y = xw + b
# 随机给一个权重和偏置的值，让他们去计算损失，然后在当前状态下优化
# 用变量定义才能优化
weight = tf.Variable(tf.random_normal([1, 1], mean=0.0, stddev=1.0), name="weight")
bias = tf.Variable(0.0, name="bias")
y_predict = tf.matmul(x, weight) + bias
# 3、建立损失函数，均方误差
loss = tf.reduce_mean(tf.square(y_true - y_predict))
# 4、梯度下降优化损失，学习率learn_rate 0,1,2,3,5,7,10
train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
# 定义一个初始化变量的op
init_op = tf.global_variables_initializer()
# 通过会话运行程序
with tf.Session() as sess:
# 初始化变量
sess.run(init_op)
# 打印随机最先初始化的权重和偏置
print("初始化的参数权重：{}, 偏置：{}".format(weight.eval(), bias.eval()))
# 运行优化
for i in range(200):
sess.run(train_op)
print("第 {} 次优化 参数权重：{}, 偏置：{}".format(i, weight.eval(), bias.eval()))
计算结果
初始化的参数权重：[[0.313286]], 偏置：0.0
第 0 次优化 参数权重：[[0.86829025]], 偏置：0.2980913817882538
第 1 次优化 参数权重：[[0.9330569]], 偏置：0.3393169939517975
第 2 次优化 参数权重：[[0.9391256]], 偏置：0.34980931878089905
第 3 次优化 参数权重：[[0.9435929]], 偏置：0.35885265469551086
...
第 197 次优化 参数权重：[[0.7236507]], 偏置：0.7558320760726929
第 198 次优化 参数权重：[[0.7237728]], 偏置：0.7565979361534119
第 199 次优化 参数权重：[[0.72236484]], 偏置：0.7566843032836914
计算越多，计算结果越接近真实值
