1、生成高斯分布的随机数

导入numpy模块，通过numpy模块内的方法生成一组在方程

y = 2 * x + 3

周围小幅波动的随机坐标。代码如下：

复制代码
 1 import numpy as np  2 import matplotlib.pyplot as plot  3  4  5 def getRandomPoints(count):  6     xList = []  7     yList = []  8     for i in range(count):  9         x = np.random.normal(0, 0.5) 10         y = 2 * x + 3 + np.random.normal(0, 0.3) 11         xList.append(x) 12         yList.append(y) 13     return xList, yList 14 15 16 if __name__ == '__main__': 17     X, Y = getRandomPoints(1000) 18     plot.scatter(X, Y) 19     plot.show()
复制代码

运行上述代码，输出图形如下：

 

2、采用TensorFlow来获取上述方程的系数

　　首先搭建基本的预估模型y = w * x + b，然后再采用梯度下降法进行训练，通过最小化损失函数的方法进行优化，最终训练得出方程的系数。

　　在下面的例子中，梯度下降法的学习率为0.2，训练迭代次数为100次。

复制代码
 1 def train(x, y):  2     # 生成随机系数 3     w = tf.Variable(tf.random_uniform([1], -1, 1))  4     # 生成随机截距 5     b = tf.Variable(tf.random_uniform([1], -1, 1))  6     # 预估值 7     preY = w * x + b  8  9     # 损失值：预估值与实际值之间的均方差10     loss = tf.reduce_mean(tf.square(preY - y)) 11     # 优化器：梯度下降法,学习率为0.212     optimizer = tf.train.GradientDescentOptimizer(0.2)