读取“房价.txt”文件，用tensorflow 构建房价预测模型y=w0+w1*x。 1、预测模型方程的w0和w1值为多少？ 2、预测360平方米的房子价格为多少？ tis：先做数据标准化，

首先，构建一个房价预测模型通常涉及到训练过程，包括加载数据、预处理、特征工程以及模型训练。在给定的简短描述中，并未提供实际的数据或模型训练的结果，所以无法直接给出w0和w1的具体数值。这些权重通常是通过机器学习算法，如线性回归或TensorFlow里的训练步骤自动学习得到的。

对于读取并分析"房价.txt"文件，假设该文件包含房屋面积x和对应的售价y，我们可以按照以下步骤操作：

1. **数据加载和预处理**：
使用`pandas`库读取数据，然后对数据进行标准化，因为线性回归模型对输入特征有线性假设，标准化可以提高模型性能：

   import pandas as pd
   from sklearn.preprocessing import StandardScaler

   data = pd.read_csv('房价.txt')
   scaler = StandardScaler()
   scaled_data = scaler.fit_transform(data[['x']])
   df_scaled = pd.DataFrame(scaled_data, columns=['scaled_x'])
   df_scaled['y'] = data['y']

2. **模型构建**：
使用TensorFlow创建线性模型，假设已经安装了TensorFlow库：

   import tensorflow as tf

   model = tf.keras.models.Sequential([
       tf.keras.layers.Dense(units=1, input_shape=(1,), activation=None)  # 假设只有一个特征
   ])

   w0 = model.layers[0].bias.numpy()  # 初始偏置值
   w1 = model.layers[0].kernel.numpy()[0][0]  # 初始权重值

   optimizer = tf.optimizers.SGD()  # 或者使用其他优化器
   model.compile(optimizer=optimizer, loss='mean_squared_error')  # 选择适当的损失函数

3. **模型训练**：
将标准化后的数据拟合到模型中：

   history = model.fit(df_scaled['scaled_x'], df_scaled['y'], epochs=若干epochs, validation_split=0.2)

4. **预测价格**：
对于360平方米的房子，需要先标准化这个数值再预测：

   new_area = 360  # 假设这里的360已经是经过相同预处理的标准值
   predicted_price = (model.predict([[new_area]])[0][0]) * scaler.scale_[0] + scaler.mean_[0]

由于以上代码并未实际运行，我们只能推断w0和w1初始值为模型创建时的随机值，直到模型训练结束才会获得最优解。具体的预测结果会依赖于训练数据和模型参数。