Tensorflow 学习笔记（一）

源码：线性拟合源码

#导入tensorflow包
import tensorflow as tf

#导入numpy包 作为矩阵运算的数学工具包

import numpy as np

#--------------------------------------------------------------------------------

#解决一个问题，从原始数据包开始，包括要分析的输入和输出 

#从而实验 找到合适的模型 进而预测或分类

#--------------------------------------------------------------------------------

# 使用 NumPy 生成假数据(phony data), 总共 100 个点.

x_data = np.float32(np.random.rand(2, 100)) # 随机输入

y_data = np.dot([0.100, 0.200], x_data) + 0.300

#--------------------------------------------------------------------------------

#要训练的参数是什么

#要搭建的模型是什么

#--------------------------------------------------------------------------------

# 构造一个线性模型

b = tf.Variable(tf.zeros([1]))

W = tf.Variable(tf.random_uniform([1, 2], -1.0, 1.0))

y = tf.matmul(W, x_data) + b

#--------------------------------------------------------------------------------

#我们用什么样的评判标准和运算量去调参

#制定训练方案

#--------------------------------------------------------------------------------

# 最小化方差

loss = tf.reduce_mean(tf.square(y - y_data))

optimizer = tf.train.GradientDescentOptimizer(0.5)

train = optimizer.minimize(loss)

#--------------------------------------------------------------------------------

#初始化训练数据

#--------------------------------------------------------------------------------

# 初始化变量

init = tf.initialize_all_variables()

# 启动图 (graph)

sess = tf.Session()

sess.run(init)

#--------------------------------------------------------------------------------

#大量循环迭代

#按照训练模型（梯度下降）逐渐逼近结果参数

#从一个初始的误差，逐步到一个极小点的误差

#输出使得梯度下降的参数  也即被预测的参数 W和b 

#--------------------------------------------------------------------------------

# 拟合平面

for step in xrange(0, 201):

    sess.run(train)

    if step % 20 == 0:

        print step, sess.run(W), sess.run(b)

#得到最佳拟合结果W:[[0.100  0.200]], b:[0.300]

======================================================

梯度下降参考：
https://segmentfault.com/a/1190000011994447

个人总结：

如果给定输入和输出，同时我们找到合适的模型和参数范围，

那么我们要做的就是确定这个参数范围。

假如我们枚举参数范围内的所有数据，然后找到最接近样的的参数

结果是一定可以找得到的。所以理论是可行的。

只不过用数学手段（梯度下降），从一个初始参数逐步迭代到目标参数

尽量减少枚举量和运算量的方案

结果可能是最优解，也可能是次优解。