深度学习入门demo:样本数据为y=0.7x+3.1函数的模型训练过程

案例简介：样本数据为y=0.7x+3.1函数的样本随机点；通过建立模型、训练优化最后预测出这些样本可以用哪个模型来保存，为之后的样本扩大提供了基础。

具体代码如下：

# -*- coding: utf-8 -*-
"""
Created on Thu Jun  4 17:58:43 2020

@author: Dell
"""
#深度学习：根据样本数据，构建一个足够准确的模型
import tensorflow as tf
import numpy as np
x1=np.random.rand(300)#随机生成300个点
y1=x1*0.7+3.1#这为样本数据
#构建、训练模型
b=tf.Variable(0.)
k=tf.Variable(0.)
y=k*x1+b#构建的模型
#定义二次代阶函数 使模型的参数尽量准确
loss=tf.reduce_mean(tf.square(y1-y))#使真实值与模型预测值足够接近
#定义一个梯度下降法训练优化器
optimizer=tf.train.GradientDescentOptimizer(0.3)
#最小化上头定义的待代阶函数
train=optimizer.minimize(loss)

#初始化变量
initial=tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(initial)
    for count in range(402):
        sess.run(train)
        if count%100==0:
            print(count,":",sess.run([k,b]))
        if count==401:
             print(count,"_end:",sess.run([k,b]))

结果分析：

具体结果如下图，一共训练了402次，可以看出最后的k与b已经接近样本数据的参数。