迈入TensorFlow的行列：教你写自己的程序

输出myVariable = 2.0。如不雅我们想改变变量的值，可以应用assign函数，如下所示：

(这将输出10.0)

我们将为zheg法度榜样供给一些练习数据，即x的某些值和y的所需值，根据练习数据计算W的值，然后供给测试数据以查看结不雅的精确度测试数据。因为采取了异常简单的模型，是以精确度可以轻松达到100%。然则，在真实和更复杂的模型中，这几乎不会产生。但畏敲?解的目标，可以如许做。

如今，我们将定义简单的模型如下:

如今，为了练习数据并更接近真实模型，我们将不得不编写一个损掉函数，然后将其最小化。为了简单起见，我们将平方误差的和作为损掉函数。缺点只不过是结不雅应用我们的模型和期望值(y)之间的差别。

一种类型的节点是不变的，不须要输入，并输出一个内部存储的值。我们来看看如安在TensorFlow中定义一个常量。

然后将对每个输入进行平方，并添加它们。以下是雷同的履行情况：

为了简单起见，我们将基于梯度降低优化器的概念(如不雅你不知道这个问题，请不要担心，请持续浏览)来构建本身的小优化器，以改┞俘W的值，然后对其进行测试。

要做的就是计算模型的损掉，把持W的价值以最小化损掉，检查损掉是否削减，并根据损掉的结不雅进一步把持W的价值。为这个优化器编写的代码如下所示：

在膳绫擎的代铝闼楝加法和减法是用于记忆上一次履行什么操作(加法或减法)的标记。 currentLoss是在轮回开端时存储损掉函数值的变量，oldLoss是在轮回停止时存储损掉函数值的变量。这两个变量在轮回之间进行比较以检查操作(加法或减法)若何影响损掉值，即减小或增长损掉值。在此基本长进行进一步的操作。要么W的值减1或增长1.这只是一个示例优化器。优良的优化器要复杂得多，效力也很高，很多已经在TensorFlow中实现了。这只是一个示例优化器，可能无法完美运行，然则可以给你一个TensorFlow若何工作的概念，这就是文┞仿的重要目标。膳绫擎编写的代码在读完之后很轻易懂得，本文中评论辩论了代码中应用的所有内容。