tensorflow实现线性回归代码

下面是使用 TensorFlow 实现线性回归的示例代码：

import tensorflow as tf
import numpy as np

# 生成随机数据
x_data = np.random.rand(100).astype(np.float32)
y_data = x_data * 0.1 + 0.3

# 构建模型
weights = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
biases = tf.Variable(tf.zeros([1]))
y = weights * x_data + biases

# 定义损失函数和优化器
loss = tf.reduce_mean(tf.square(y - y_data))
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)

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

# 启动会话
with tf.Session() as sess:
    sess.run(init)

    # 训练模型
    for step in range(201):
        sess.run(train)
        if step % 20 == 0:
            print(step, sess.run(weights), sess.run(biases))

在这个例子中，我们首先生成了一些随机数据（100 个浮点型数值），并且使用这些数据来拟合一个线性模型。我们使用 TensorFlow 定义了两个变量，分别表示模型的权重和偏置项，并且定义了一个损失函数（即均方误差）和一个梯度下降优化器。在训练过程中，我们通过不断地迭代，最小化损失函数，并且输出当前的权重和偏置项。