今天进行了线性回归方程的简单编程，代码如下：

import tensorflow as tf
import  numpy as np
import matplotlib.pyplot as plt


#随机生成1000个点，围绕在y=0.1x+0.3的直线周围
num_points=1000
vectors_set=[]
for i in range(num_points):
    x1=np.random.normal(0.0,0.55)
    y1=x1*0.1+0.3+np.random.normal(0.0,0.03)
    vectors_set.append([x1,y1])

#生成一些样本
x_data=[v[0] for v in vectors_set]
y_data=[v[1] for v in vectors_set]

#plt.scatter(x_data,y_data,c='r')
#plt.show()

#生成一维的W矩阵，取值是[-1,1]之间的随机数
W=tf.Variable(tf.random_uniform([1],-1.0,1.0),name='W');
#生成一维的b矩阵，初始值为0
b=tf.Variable(tf.zeros([1]),name='b')
#经计算得出预估值y
y=W*x_data+b

#  以预估值y和实际值y_data之间的均方误差作为损失
loss=tf.reduce_mean(tf.square(y-y_data),name='loss')
# 采用梯度下降法来优化参数
optimizer=tf.train.GradientDescentOptimizer(0.5)
#训练过程就是最小化这个误差值
train=optimizer.minimize(loss,name='train')

sess=tf.Session()
init=tf.global_variables_initializer()
sess.run(init)

#打印出初始化的W和b的值
print("初始化后的W=",sess.run(W),"b=",sess.run(b),"loss=",sess.run(loss))

#执行20次的训练
for step in range(40):
    sess.run(train)
    #输出训练好的W和b
    print("W=",sess.run(W),"b=",sess.run(b),"loss=",loss)

plt.scatter(x_data,y_data,c='r')
plt.plot(x_data,sess.run(W)*x_data+sess.run(b))
plt.show()

　实验截图：