主要学习了使用TensorFlow深度学习系统如何进行训练数据以及预测数据：

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
import matplotlib.pyplot as plt
import numpy as np
import tensorflow as tf
#导入对应的第三方库
'''
线性回归实战：TensorFlow'''
#设置随机种子
np.random.seed(5)#直接采用np生成等差数列的方法，生成100个点，每个点的取值在-1~1之间#第一步：准备数据
x_data = np.linspace(-1,1,100)# y = 2x+1+噪声 ，其中，噪声的维度与x_data一致y_data = 2 * x_data + 1.0 + np.random.randn(*x_data.shape) * 0.4#画出随机生成数据的散点图
plt.scatter(x_data,y_data)
plt.show()#画出我们想要学习到的线性函数y = 2x+1plt.plot(x_data,2 * x_data + 1.0, color = 'red',linewidth = 3)#显示数据集的分布
#plt.show()#第二步：构建模型#定义训练数据的占位符，x是特征值，y是标签值
x = tf.placeholder("float",name = "x")
y = tf.placeholder("float",name = "y")#定义模型函数  w和b是模型真正的参数
def model(x,w,b):return tf.multiply(x,w) + b  #返回wx +b#定义模型机构  TensorFlow的变量用来更新参数
'''
TensorFlow变量的声明函数是tf.Variable
tf.Variable的作用是保存和更新参数
变量的初始值可以是随机数、常数，或是通过其他变量的初始值计算得到
'''#构建线性函数的斜率，变量w
w = tf.Variable(1.0,name="w0")#构建线性函数的截距，变量b
b = tf.Variable(0.0,name="b0")#pred是预测值，前向计算
pred = model(x,w,b)#第三步：训练模型
#设置训练参数#迭代次数
train_epochs = 10#学习率
learning_rate = 0.05#定义损失函数
#采用均方差作为损失函数
loss_function = tf.reduce_mean(tf.square(y-pred))#选择迭代器
#梯度下降优化器
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)#声明会话
sess = tf.Session()#变量初始化
init = tf.global_variables_initializer()
sess.run(init)#执行训练
#开始训练，轮数为epoch,采用SGD随机梯度下降优化方法
for epoch in range(train_epochs):for xs,ys in zip(x_data,y_data): #训练100次_,loss = sess.run([optimizer,loss_function],feed_dict={x:xs,y:ys})b0temp = b.eval(session = sess)w0temp = w.eval(session = sess)plt.plot(x_data,w0temp * x_data + b0temp)#画图
plt.show()print("w:",sess.run(w))#w的值应该在2附近
print("b:",sess.run(b))#w的值应该在1附近#第四步：进行预测
plt.scatter(x_data,y_data,label = 'Original data')
plt.plot(x_data,x_data * sess.run(w) + sess.run(b),label = 'Fitted line',color='r',linewidth = 3)
plt.legend(loc = 2) #通过参数loc指定图例位置
plt.show()x_test = 3.21predict = sess.run(pred,feed_dict={x:x_test})
print("预测值：%f" % predict)target = 2 * x_test + 1.0
print("目标值：%f" % target)

输出结果：

这个阶段：需要自己进行消化，多敲几遍这个代码，理解整个过程，为后期的学习打好坚实的基础。