tensorflow实现多变量线性回归模型

以下是一个多变量线性回归模型的TensorFlow实现示例：

import tensorflow as tf
import numpy as np

# 定义训练数据
x1 = np.random.rand(100, 1)
x2 = np.random.rand(100, 1)
x3 = np.random.rand(100, 1)
y = 2 * x1 + 3 * x2 + 4 * x3 + 5

# 定义模型
X = tf.placeholder(tf.float32, [None, 3])
W = tf.Variable(tf.zeros([3, 1]))
b = tf.Variable(tf.zeros([1]))
Y = tf.matmul(X, W) + b

# 定义损失函数和优化器
loss = tf.reduce_mean(tf.square(Y - y))
optimizer = tf.train.GradientDescentOptimizer(0.01)
train = optimizer.minimize(loss)

# 初始化变量
init = tf.global_variables_initializer()

# 开始训练
with tf.Session() as sess:
    sess.run(init)
    for i in range(1000):
        _, l = sess.run([train, loss], feed_dict={X: np.hstack((x1, x2, x3)), Y: y})
        if i % 100 == 0:
            print("Step %d, loss: %f" % (i, l))
    
    # 打印训练结果
    print("W:", sess.run(W))
    print("b:", sess.run(b))

在以上示例中，我们使用了三个变量x1、x2、x3作为输入数据，将它们组合成一个矩阵X，使用变量W和b作为模型的参数，使用tf.matmul函数进行矩阵乘法运算，得到模型的输出Y。然后定义了损失函数和优化器，使用梯度下降法进行训练，并在每个训练步骤结束后输出损失值。最后输出训练得到的参数W和b。