实例1:

#!/usr/bin/env python3# -*- coding: utf-8 -*-import tensorflow as tfimport numpy as np# 模拟生成100对数据对, 对应的函数为y = x * 0.1 + 0.3x_data = np.random.rand(100).astype("float32")y_data = x_data * 0.1 + 0.3# 指定w和b变量的取值范围（利用TensorFlow来得到w和b的值）W = tf.Variable(tf.random_uniform([1], -1.0, 1.0)) #随机生成一个在[-1,1]范围的均匀分布数值b = tf.Variable(tf.zeros([1])) #set b=0y = W * x_data + b# 最小化均方误差loss = tf.reduce_mean(tf.square(y - y_data))optimizer = tf.train.GradientDescentOptimizer(0.5) #学习率为0.5的梯度下降法train = optimizer.minimize(loss)# 初始化TensorFlow参数init = tf.initialize_all_variables()# 运行数据流图（sess = tf.Session()sess.run(init)# 观察多次迭代计算时，w和b的拟合值for step in range(201):sess.run(train)if step % 20 == 0:print(step, sess.run(W), sess.run(b))

注释：上面代码是要拟合出直线: y=0.1x+0.3，算法原理很简单，就是先初始化一个w和b，然后逐步迭代（代码中用的是学习率为0.5的梯度下降法），使得y和y_data的均方误差最小，主要是学习TensorFlow的实现方法。这里附tf.reduce_mean( )的函数说明：

函数作用：

沿着tensor的某一维度，计算元素的平均值。由于输出tensor的维度比原tensor的低，这类操作也叫降维。

参数：

reduce_mean(input_tensor,axis=None,keep_dims=False,name=None, reduction_indices=None)

input_tensor：需要降维的tensor。

axis：axis=none, 求全部元素的平均值；axis=0, 按列降维，求每列平均值；axis=1，按行降维，求每行平均值。

keep_dims：若值为True，可多行输出平均值。

name：自定义操作的名称。

reduction_indices：axis的旧名，已停用。

上面代码执行结果：

0 [ 0.60980111] [ 0.0624467]20 [ 0.25957468] [ 0.22225133]40 [ 0.15037055] [ 0.27545825]60 [ 0.11589972] [ 0.29225329]80 [ 0.10501883] [ 0.2975547]100 [ 0.10158423] [ 0.29922813]120 [ 0.10050007] [ 0.29975638]140 [ 0.10015786] [ 0.29992309]160 [ 0.10004983] [ 0.29997572]180 [ 0.10001571] [ 0.29999235]200 [ 0.10000496] [ 0.2999976]

迭代到200步时，w和b的值已经接近于最佳。

拟合实质上和回归是一样的，为了更加直观的显示迭代过程中每次拟合的情况，使用matplotlib把图绘制出来，见实例2。

实例2：

#!/usr/bin/env python3# -*- coding: utf-8 -*-import numpy as npimport matplotlib.pyplot as pltnum_points = 1000vectors_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)vectors_set.append([x1, y1])x_data = [v[0] for v in vectors_set]y_data = [v[1] for v in vectors_set]#Graphic displayplt.plot(x_data, y_data, 'ro')plt.legend()plt.show()import tensorflow as tfW = tf.Variable(tf.random_uniform([1], -1.0, 1.0))b = tf.Variable(tf.zeros([1]))y = W * x_data + bloss = tf.reduce_mean(tf.square(y - y_data))optimizer = tf.train.GradientDescentOptimizer(0.5)train = optimizer.minimize(loss)init = tf.initialize_all_variables()sess = tf.Session()sess.run(init)for step in range(101):sess.run(train)if step % 20 == 0:print(step, sess.run(W), sess.run(b))print(step, sess.run(loss))#Graphic displayplt.plot(x_data, y_data, 'ro')plt.plot(x_data, sess.run(W) * x_data + sess.run(b))plt.xlabel('x')plt.xlim(-2,2)plt.ylim(0.1,0.6)plt.ylabel('y')plt.legend()plt.show()

执行结果（这里只附1,2,7步的图，中间几步的图结果越来越靠近第7步）：

最后的拟合参数为：

100 [ 0.09993903] [ 0.30052763]100 0.00088246

附录:

生成数据时的分布情况，如正态分布，均匀分布等

实例3：

import tensorflow as tfimport numpy as npimport matplotlib.pyplot as plt# Prepare training datadatasize=100train_X = np.linspace(0,np.pi, datasize)train_Y=np.sin(train_X)# Define the modelX1 = tf.placeholder(tf.float32,shape=(datasize,))X2 = tf.placeholder(tf.float32,shape=(datasize,))X3 = tf.placeholder(tf.float32,shape=(datasize,))X4 = tf.placeholder(tf.float32,shape=(datasize,))Y = tf.placeholder(tf.float32,shape=(datasize,))w1 = tf.Variable(0.0,name="weight1")w2 = tf.Variable(0.0, name="weight2")w3 = tf.Variable(0.0, name="weight3")w4 = tf.Variable(0.0, name="weight4")y1=w1*X1+w2*X2+w3*X3+w4*X4loss = tf.reduce_mean(tf.square(Y - y1))#use adam method to optimizeoptimizer =tf.train.AdamOptimizer()train=optimizer.minimize(loss)# Create session to runwith tf.Session() as sess:init=tf.global_variables_initializer()sess.run(init)for i in range(5000):_,ww1, ww2,ww3,ww4,loss_= sess.run([train, w1, w2,w3,w4,loss],feed_dict={X1:train_X,X2:train_X**3,X3:train_X**5,X4:train_X**7,Y: train_Y})plt.plot(train_X,train_Y,"+",label='data')plt.plot(train_X,ww1*train_X+(ww2)*(train_X**3)+ww3*(train_X**5)+ww4*(train_X**7),label='curve')plt.savefig('1.png',dpi=200)plt.axis([0,np.pi,-2,2])plt.legend(loc=1)plt.show()

实例4：

定义张量和损失函数时，除了上面的方法，还可以写成下面的形式，本质是一样的：

import tensorflow as tfimport numpy as npimport matplotlib.pyplot as plt# 设置带噪声的线性数据num_examples = 50# 这里会生成一个完全线性的数据X = np.array([np.linspace(-2, 4, num_examples), np.linspace(-6, 6, num_examples)])# 数据展示plt.figure(figsize=(4,4))plt.scatter(X[0], X[1])plt.show# 给数据增加噪声X += np.random.randn(2, num_examples)# 数据展示plt.figure(figsize=(4,4))plt.scatter(X[0], X[1])plt.show# 我们的目标就是通过学习，找到一条拟合曲线，去还原最初的线性数据# 把数据分离成 x 和 yx, y = X# 添加固定为 1 的 biasx_with_bias = np.array([(1., a) for a in x]).astype(np.float32)# 用来记录每次迭代的 losslosses = []# 迭代次数training_steps = 50# 学习率，梯度下降时每次迭代所前进的长度learning_rate = 0.002with tf.Session() as sess:# 设置所有的张量，变量和操作# 输入层是 x 值和 bias 节点input = tf.constant(x_with_bias)# target 是 y 的值，需要被调整成正确的尺寸（转置一下）target = tf.constant(np.transpose([y]).astype(np.float32))# weights 是变量，每次循环都会变，这里直接随机初始化（高斯分布，均值 0，标准差 0.1）weights = tf.Variable(tf.random_normal([2, 1], 0, 0.1))# 初始化所有的变量tf.global_variables_initializer().run()# 设置循环中所要做的全部操作# 对于所有的 x，根据现有的 weights 来产生对应的 y 值，也就是计算 y = w2 * x + w1 * biasyhat = tf.matmul(input, weights)yerror = tf.subtract(yhat, target)# 最小化 L2 损失，误差的平方loss = tf.nn.l2_loss(yerror)# 上面的 loss 函数相当于0.5 * tf.reduce_sum(tf.multiply(yerror, yerror))update_weights = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss)# 上面的梯度下降相当于# gradient = tf.reduce_sum(tf.transpose(tf.multiply(input, yerror)), 1, keep_dims=True)# update_weights = tf.assign_sub(weights, learning_rate * gradient)for _ in range(training_steps):update_weights.run()# 如果没有用 tf.train.GradientDescentOptimizer，就要 sess.run(update_weights)losses.append(loss.eval())# 训练结束betas = weights.eval()yhat = yhat.eval()fig, (ax1, ax2) = plt.subplots(1, 2)plt.subplots_adjust(wspace=.3)fig.set_size_inches(10, 4)ax1.scatter(x, y, alpha=.7)ax1.scatter(x, np.transpose(yhat)[0], c="g", alpha=.6)line_x_range = (-4, 6)ax1.plot(line_x_range, [betas[0] + a * betas[1] for a in line_x_range], "g", alpha=.6)ax2.plot(range(0, training_steps), losses)ax2.set_ylabel("Loss")ax2.set_xlabel("Training steps")plt.show()

运行结果：

参考：

/get_started/get_started

/tensorflow-learning-notes.html

//05/31/tensorflow-learning-note/

/research-teaching/tensorflow/first-contact-with-tensorflow-book/first-contact-with-tensorflow/#cap1