人工智能TensorFlow-简单的训练示例

import tensorflow as tf
import numpy as np

# 使用numpy生成100个随机点
x_data = np.random.rand(100)
# 下面的公式相当于一条直线，斜率是0.1，偏移量是0.2
y_data = x_data * 0.1 + 0.2

# 构造一个线性模型
b = tf.Variable(0.)
k = tf.Variable(0.)
y = k * x_data + b 

# 二次代价函数
loss = tf.reduce_mean(tf.square(y_data-y))
# 定义一个梯度下降法来进行训练的优化器
optimizer = tf.train.GradientDescentOptimizer(0.2)  # 参数表示优化的效率
# 最小化代价函数
train = optimizer.minimize(loss)

init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    for step in range(201):
        sess.run(train)
        if step % 20 == 0:
            print(sess.run([k, b]))

[0.053057875, 0.09996142]
[0.10296292, 0.19842242]
[0.10178304, 0.1990507]
[0.10107299, 0.19942872]
[0.100645706, 0.19965622]
[0.100388564, 0.19979313]
[0.10023384, 0.1998755]
[0.10014071, 0.19992508]
[0.10008468, 0.19995493]
[0.10005095, 0.19997287]
[0.100030676, 0.19998367]

代码解释：

x_data 和 y_data 是两个确定的数据集

y = k * x_data + b 是一个不确定值的函数公式，也就是这里的k,b是不知道准确值的，但初始值给了个0.

下面的代码定义了优化器，要求y_data-y的误差值最小，从而推算出最接近于y_data集的k,b值

loss = tf.reduce_mean(tf.square(y_data-y))
optimizer = tf.train.GradientDescentOptimizer(0.2)
train = optimizer.minimize(loss)

在Session中，运行了201次，在最后，tensorflow得出了最接近于现实的k、b值，即k是0.1左右，b是0.2左右