废话不多说，直接开始
1.首先，导入所需的模块:
代码语言：javascript复制import numpy as np
import os
import tensorflow as tf关闭tensorflow输出的一大堆硬件信息
代码语言：javascript复制os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'2.写一个函数generate_data()，用来生成我们所需要的数据，这里使用的线性函数是y = 0.1*x 0.3，具体解释见注释
代码语言：javascript复制def generate_data():#随机生成测试数据
num_points = 1000
vector_set = []
for i in range(num_points):
x1 = np.random.normal(0.0, 0.55)
y1 = x1 * 0.1 0.3 np.random.normal(0.0, 0.03)#以函数y = 0.1x 0.3为基准生成点数据,加上一个随机值是为了防止生成的点都严格在一条直线上
vector_set.append([x1, y1])
x_data = [v[0] for v in vector_set]#就是vector_set里面的所有x1组成的列表
y_data = [v[1] for v in vector_set]#同上
return x_data, y_data说一下上面8，9两行的操作，其实
代码语言：javascript复制x_data = [v[0] for v in vector_set]与
代码语言：javascript复制for i in vector_set:
x_data.append(i[0])等价，只是这样写比较方便。
3.接下来就是我们的计算图的构建了
首先介绍一些东西:
代码语言：javascript复制tf.random_uniform(shape, a, b)#用来生成a~b范围内的均匀分布的随机数，其中shape是生成的张量的形状
tf.square(a)#计算a的平方
tf.reduce_mean()#(不指定axis的情况下)就是计算平均值
tf.train.GradientDescentOptimizer(0.5)#tf.train里面有许多优化方法，这里使用GradientDescentOptimizer()参数是学习率，范围0~1博主也只是略知一二，具体可以去查手册或百度
代码如下，也是有注释的(注意，下面的*, ,-都是张量运算)
代码语言：javascript复制def train(x_data, y_data):
w = tf.Variable(tf.random_uniform([1], -1.0, 1.0), name = 'w')#生成均匀分布的值,其中[1]可以换成(1, ),表示矩阵的形状
b = tf.Variable(tf.zeros([1]), name = 'b')#b初始化为0
y = w * x_data b#根据随机生成的w, x_data, b计算y
loss = tf.reduce_mean(tf.square(y - y_data), name = 'loss')#tf.square()平方,tf.reduce_mean(不指定axis的情况下)就是计算平均值,所以loss就是标准差
optimizer = tf.train.GradientDescentOptimizer(0.5)#设置学习率为0.5
train = optimizer.minimize(loss, name = 'train')#使用优化器通过损失函数调整神经网络权值
with tf.Session() as sess:#开启任务,为了方便,起了别名sess
init = tf.global_variables_initializer()#同上
sess.run(init)#初始化全部变量
print('w = ', sess.run(w), 'b = ', sess.run(b), 'loss = ', sess.run(loss))#这是随机生成的,开始训练前的w,b和损失
for step in range(50):#一共训练50次
sess.run(train)
print('w = ', sess.run(w), 'b = ', sess.run(b), 'loss = ', sess.run(loss))#这是每一次训练后的w,b和损失最后只要调用这两个函数就行了
代码语言：javascript复制if __name__ == "__main__":
x_data, y_data = generate_data()
train(x_data, y_data)对了，二次方程，甚至多次方程也可以哦
那么今天就到这里。
See you next time!
