tensorflow实例

以下是一个使用TensorFlow实现简单线性回归模型的例子：

import tensorflow as tf
import numpy as np

# 创建训练数据
x_train = np.linspace(-1, 1, 101)
y_train = 2 * x_train + np.random.randn(*x_train.shape) * 0.33

# 创建占位符，用于输入训练数据
X = tf.placeholder(tf.float32)
Y = tf.placeholder(tf.float32)

# 定义模型参数
W = tf.Variable(tf.random_normal([1]), name="weight")
b = tf.Variable(tf.zeros([1]), name="bias")

# 定义模型
Y_pred = tf.add(tf.multiply(X, W), b)

# 定义损失函数
cost = tf.reduce_mean(tf.square(Y_pred - Y))

# 设置优化器
optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.01).minimize(cost)

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

# 开始训练
with tf.Session() as sess:
    sess.run(init)
    for epoch in range(50):
        for x, y in zip(x_train, y_train):
            sess.run(optimizer, feed_dict={X: x, Y: y})

        # 每训练10次输出一次损失函数的值
        if (epoch + 1) % 10 == 0:
            c = sess.run(cost, feed_dict={X: x_train, Y: y_train})
            print("Epoch:", '%04d' % (epoch + 1), "cost=", "{:.9f}".format(c), \
                  "W=", sess.run(W), "b=", sess.run(b))

    # 训练结束，输出最终的模型参数
    print("Optimization Finished!")
    training_cost = sess.run(cost, feed_dict={X: x_train, Y: y_train})
    print("Training cost=", training_cost, "W=", sess.run(W), "b=", sess.run(b))

以上代码实现了一个简单的线性回归模型，其中使用了TensorFlow的占位符、变量、优化器等常用功能。在训练过程中，通过反复迭代来最小化损失函数，并输出当前模型参数的值。最终，模型会输出最优的W和b值，以及训练的代价。