本文，给出两组随机数据，并尝试着找出这两组数据之间的函数关系。本文只准备拟合出一个一次函数，虽然这样的结果，很可能并不能很好的拟合数据。工具/原料more电脑python3.6（Anaconda）tensorflow模块numpy模块准备数据1/3分步阅读

给出两组随机数：

import tensorflow as tf

import numpy as np

x_data = np.random.rand(300).astype(np.float32)

y_data = np.random.rand(300).astype(np.float32)

2/3

打印强激一下x_data，这是由300个随机实数组成的数组。

3/3

打印一下y_data，也是300个随机实数，与x_data的秤伐数字一一扯盆联对应。

创建训练结构1/6

本文的目标，是找到一个函数：

y = W*x_data+b

能够尽量拟合给定的数组数据。

2/6

其中，一次项系数W称为权重，是一个介于-1到1之间的实数：

W = tf.Variable(tf.random_uniform(,-1.0,1.0))

3/6

常数项b的初始值是0：

b = tf.Variable(tf.zeros())

4/6

loss是y与y_data的误差：

loss = tf.reduce_mean(tf.square(y-y_data))

5/6

用梯度下降法制作一个优化器（optimizer），通过训练，来减少误差：

optimizer = tf.train.GradientDescentOptimizer(0.5)

train = optimizer.minimize(loss)

6/6

初始化所有的变量：

init = tf.initialize_all_variables()

这样，基本的训练结构就完成了。

开始训练1/4

创建一个对话：

sess = tf.Session()

激活所有的初始化变量：

sess.run(init)

2/4

开始长达10000次的训练：

for step in range(10001):

sess.run(train)

#每隔100次，就输出一下对应的W和b：

if step%100==0:

print(str(step).rjust(5),sess.run(W),sess.run(b))

训练结束后，关闭对话：

sess.close()

3/4

运行一下，看看具体的训练过程。

4/4

在关闭对话之前，还可以插入数据对应的图像，以及训练的函数y对应的图像：

import matplotlib.pyplot as pt

pt.axis(on)

pt.scatter(x_data,y_data,c=g)

pt.scatter(x_data,sess.run(W*x_data+b),

c=r)

pt.show()

图中，绿色点是给出的随机数据的图像，红色线是拟合的函数图像；

由于数据点过于分散，因此，一次函数并不能很好的拟合这组数据；

这里拟合出的y，只是误差尽可能小的一次函数。

注意事项

大家思考一下，用什么函数，可以完美的拟合这个随机数据？

如果x_data=，y_data=，这两组数据是可以用一次函数拟合的，你可以自己试一下。

TENSORFLOW数据拟合机器学习