tensorflow版helloworld—拟合线性函数的k和b（02-4）

给不明白深度学习能干什么的同学，感受下深度学习的power

import tensorflow as tf
import numpy as np#使用numpy生成100个随机点
x_data=np.random.rand(100)
y_data=x_data*0.1+0.2   #这里我们设定已知直线的k为0.1 b为0.2得到y_data#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（白话：两数之差平方后取 平均值）
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（其实就是按梯度下降的方法改变线性模型k和b的值，注意这里的k和b一开始初始化都为0.0，后来慢慢向0.1、0.2靠近）
optimizer=tf.train.GradientDescentOptimizer(0.2)    #这里的0.2是梯度下降的系数也可以是0.3...
#最小化代价函数(训练的方式就是使loss值最小，loss值可能是随机初始化100个点与模型拟合出的100个点差的平方相加...等方法)
train=optimizer.minimize(loss)#初始化变量
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(step,sess.run([k,b])) #这里使用fetch的方式只是打印k、b的值，每20次打印一下，改变k、b的值是梯度下降优化器的工作

贴一张我的运行结果：

看，k和b在一步步逼近0.1和0.2，是不是很神奇！最终的误差仅为0.000026526和0.00001402，厉害吧，感受到深度学习的强大了么，这里还只是一个神经元，如果成千上万个甚至几十万个会有什么效果呢？

这就是深度学习的power，当然前提是你得配上tensorflow的接口，才能快速高效的搭建自己的神经网络。

目录：

1. tensorflow简介、目录
2. tensorflow中的图（02-1）
3. tensorflow变量的使用（02-2）
4. tensorflow中的Fetch、Feed（02-3）
5. tensorflow版helloworld—拟合线性函数的k和b（02-4）
6. tensorflow非线性回归（03-1）
7. MNIST手写数字分类simple版（03-2）
8. 二次代价函数、交叉熵(cross-entropy)、对数似然代价函数（log-likelihood cost）(04-1)
9. 多层网络通过防止过拟合，增加模型的准确率（04-2）
10. 修改优化器进一步提升准确率（04-3）
11. 手写数字识别-卷积神经网络cnn（06-2）
12. 循环神经网络rnn与长短时记忆神经网络简述（07-2）
13. 循环神经网络lstm代码实现（07-3）
14. tensorflow模型保存和使用08
15. 下载inception v3  google训练好的模型并解压08-3
16. 使用inception v3做各种图像分类识别08-4
17. word2vec模型训练简单案例
18. word2vec+textcnn文本分类简述及代码