import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
# 隨機生成1000個點，圍繞在y=0.1x+0.3的直線周圍
num_points = 1000
vectors_set = []
for i in range(num_points):
    x1 = np.random.normal(0.0, 0.55)
    # np.random.normal(mean,stdev,size)給出均值為mean，標準差為stdev的高斯隨機數(shù)（場），當size賦值時，如：size=100，表示返回100個高斯隨機數(shù)。
    y1 = x1 * 0.1 + 0.3 + np.random.normal(0.0, 0.03)
    # 后面加的高斯分布為人為噪聲
    vectors_set.append([x1, y1])
# 生成一些樣本
x_data = [v[0] for v in vectors_set]
y_data = [v[1] for v in vectors_set]
plt.scatter(x_data, y_data, c='r')
plt.show()
# 構(gòu)造1維的w矩陣，取值是隨機初始化權(quán)重參數(shù)為[-1, 1]之間的隨機數(shù)
w = tf.Variable(tf.random_uniform([1], -1.0, 1.0), name='w')
# 構(gòu)造1維的b矩陣，初始化為0
b = tf.Variable(tf.zeros([1]), name='b')
# 建立回歸公式，經(jīng)過計算得出估計值y
y = w * x_data +b

# 定義loss函數(shù),估計值y和實際值y_data之間的均方誤差作為損失
loss = tf.reduce_mean(tf.square(y - y_data), name='loss')
# 采用梯度下降法來優(yōu)化參數(shù)，學(xué)習(xí)率為0.5
optimizer = tf.train.GradientDescentOptimizer(0.5)
# train相當于一個優(yōu)化器，訓(xùn)練的過程就是最小化loss
train = optimizer.minimize(loss, name='train')
sess = tf.Session()
# 全局變量的初始化
init = tf.global_variables_initializer()
sess.run(init)
# 打印初始化的w和b
print('w = ', sess.run(w), 'b = ', sess.run(b), 'loss = ', sess.run(loss))
# 訓(xùn)練迭代20次
for step in range(20):
    sess.run(train)
    # 打印訓(xùn)練好的w和b
    print('w = ', sess.run(w), 'b = ', sess.run(b), 'loss = ', sess.run(loss))