初学者，先从第一段代码看起：
import tensorflow as tf
import numpy as np
# np.random.rand(100)函数为创建一个array，包含100个数，每个数的范围是区间[0,1)，类型定义为numpy.float32
x_data = np.random.rand(100).astype("float32")
# y_data的赋值公式,y_data是1维数组，包含100个数
y_data = x_data * 0.1 + 0.3
# tf.random_uniform([1], -1.0, 1.0)创建了一个张量，该张量是一个1维数组，从[-1.0, 1.0)的均匀分布函数中取值
# tf.zeros([1]) 创建了一个张量，该张量是一个1维数组，取值为0
# Variable函数为使用变量初始化张量，W这个张量的初始值是一个[-1.0, 1.0)的随机值，b这个张量的初始值是0
W = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
b = tf.Variable(tf.zeros([1]))
# y这个张量的初始值是x_data（100个随机数）乘以W（一个随机值）加b（0）
y = x_data * W + b
# 自定义损失函数：tf.square(y - y_data)为获得y和y_data的方差（用于看离散程度），y越接近y_data则表示W和b越正确，这里差的平方需要无限接近于0
# tf.reduce_mean是张量降维函数，这里的作用是获取数组方差的平均值
loss = tf.reduce_mean(tf.square(y - y_data))
# 初始化一个梯度下降优化函数（GradientDescentOptimizer），学习率为0.5
optimizer = tf.train.GradientDescentOptimizer(0.5)
# minimize函数通过更新张量数据，实现对loss的最小化
train = optimizer.minimize(loss)
# global_variables_initializer汇总所有全局变量的初始化器
init = tf.global_variables_initializer()
# 运行
sess = tf.Session()
sess.run(init)
# 打印
for step in range(301):
sess.run(train)
# 每训练20次打印
if step % 20 == 0:
print(step, sess.run(W), sess.run(b))
画一个图来理解这段代码：首先我们要找的是一个Y_DATA = X_DATA * 0.1 + 0.3的标准函数，这个函数在图上就是一条直线。我们现在要做的就是用tensorflow去找到这条线的位置（线的位置其实就是X_DATA和Y_DATA的关系），如果f（x_data）= y_data，那么就是通过tensorflow去找到f()函数。
已知函数是 y_data = x_data * W + b，已知W取值范围是[0,1)，然后去找W和b。
先随机生成一个W值（取值范围是[0,1)，然后用函数生成一个Y值（红点）
因为W值跟最终结果不符，所以这个点并不在我们需要的这个函数线上，而是有偏离。
然后用概率论中最常用的计算偏离量的函数“方差”进行统计，方差即表示这个点跟函数线的差异度。
我们用100个数去计算方差，再取平均数，这么做的目的是减小单个数的差异性。
这个时候我们会获取到一个方差平均值，这个方差平均值为0时，就表示我们的W和b完全正确，这个时候怎么做呢？
我们采用梯度下降算法去不停地减小这个方差平均值，让这个值趋于0即可。
1.PNG
下面这个图可以理解为：方差平均值就是一个函数上某个点的导数，梯度下降算法可以理解为在这个函数上去找导数为0的点的过程，即从Y的高位下降到低位。
2.PNG
网友评论