tensorflow入门线性回归

实际上编写tensorflow可以总结为两步.

       （1）组装一个graph;

       （2）使用session去执行graph中的operation。

当使用tensorflow进行graph构建时，大体可以分为五部分：

     1、为输入X与输出y定义placeholder；

    2、定义权重W；

    3、定义模型结构；

    4、定义损失函数；

    5、定义优化算法

下面是手写识别字程序：

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_datamnist = input_data.read_data_sets("MNIST_data/",one_hot=True)
#导入数据集
x = tf.placeholder(shape=[None,784],dtype=tf.float32)
y = tf.placeholder(shape=[None,10],dtype=tf.float32)
#为输入输出定义placehloderw = tf.Variable(tf.truncated_normal(shape=[784,10],mean=0,stddev=0.5))
b = tf.Variable(tf.zeros([10]))
#定义权重
y_pred = tf.nn.softmax(tf.matmul(x,w)+b)
#定义模型结构
loss =tf.reduce_mean(-tf.reduce_sum(y*tf.log(y_pred),reduction_indices=[1]))
#定义损失函数
opt = tf.train.GradientDescentOptimizer(0.05).minimize(loss)
#定义优化算法
sess =tf.Session()
sess.run(tf.global_variables_initializer())
for each in range(1000):batch_xs,batch_ys = mnist.train.next_batch(100)loss1 = sess.run(loss,feed_dict={x:batch_xs,y:batch_ys})opt1 = sess.run(opt,feed_dict={x:batch_xs,y:batch_ys})print(loss1)