遇到的問題以及解決方案
question1：對於隨機生成的x，y訓練出來的擬合直線效果不理想。
解決方案：將權重的標準差調整為0後效果仍然不理想，然後根據線性回歸的流程，對所有引數設定的一一進行排查，最後將錯誤定位到梯度下降法的步長，起初設定為0.0001，導致步長太小，使得直線擬合速度太慢，迭代5000步後仍然無法達到理想程度，因此加大步長，加快擬合速度，但步長又不可以太大，會導致最終結果在最佳收斂點附近徘徊。
調整隨機分布的y的方差的結果：
圖2：y值方差為0.1的擬合結果圖
圖3：y值方差為0.4的擬合結果圖
從上圖分析，改變y的方差值，三點均勻的分布在直線兩側，則說明擬合的結果較為不錯。
調整梯度下降法的步長
圖4：步長為0.01的擬合結果圖
圖5：步長為0.0001的擬合結果
從上圖分析，步長太小會導致擬合速度變慢。
用tensorboard視覺化線性回歸模型：
圖6：損失值變化曲線圖
由上圖可知，在迭代到700步之前，損失值迅速下降，迭代到600步之後，損失之幾乎沒有變化，呈現一條水平的直線，其值為0.1856。
圖7：線性回歸資料流圖
圖8：parameters結點中地內部結構圖
由圖7可以清晰地分析出各個結點之間地資料流向，結點表示乙個命名空間，直線上的資料表示有多少個張量（資料）從乙個結點流向另乙個結點。雙擊其中乙個結點patameters，如圖8所示，又可以清楚地看到其內部包含兩個變數，分別為weights和biases。
圖9：偏差變化圖
圖10：權重變化圖
圖9分析可得，偏差在剛開始迭代時迅速下降，然後又迅速上公升，大約迭代到700步之後區域穩定。
圖10分析可得，在迭代到700步之前，權重迅速上公升，700步之後趨於平衡，其值大約為1.40。
圖11：偏差直方圖
圖12：權重直方圖
經驗與總結
1.模型的優缺點分析
優點：本次實驗實現的是最簡單的一元線性回歸，實現方式較為簡單，理解起來較為容易，適合tensorflow初學者快速入門。
缺點：設計與實現過程中的各種錯誤與解決方法
模型中的相關引數設定：由於是tensorflow初學者，對線性回歸中的相關引數設定一頭霧水，導致擬合的結果不理想，通過查閱資料以及對線性回歸模型的深入理解，根據實際模型不斷地去調整引數，最後達到理想結果。
改進與拓展
根據模型分析的優缺點，可以將單一特徵的線性回歸模型改進為多特徵的線性回歸模型，設定多個權重（w1,w2....）。隨機生成樣本點不具有實際意義，也不利於初學者對線性回歸模型的深入理解，可以通過具體的例子來理解，比如說可以參考房價**模型，根據房子的大小，所處區域以及其他特徵建立線性回歸模型，最後得到的模型，可以用來**更多其他房子的房價，更具有實際應用價值。
最後附上github鏈結
以及tensorborad的使用方法：
tensorflow實現基於LSTM的文字分類方法
學習一段時間的tensor flow之後，想找個專案試試手，然後想起了之前在看theano教程中的乙個文字分類的例項，這個星期就用tensorflow實現了一下，感覺和之前使用的theano還是有很大的區別，有必要總結mark一下 這個分類的模型其實也是很簡單，主要就是乙個單層的lstm模型，當然也...
基於tensorflow實現線性回歸
1.1 回歸分析 回歸分析是一種 性的建模技術，它研究的是因變數 目標 和自變數 器 之間的關係。這種技術通常用於 分析，時間序列模型以及發現變數之間的因果關係。通常使用曲線 線來擬合資料點，目標是使曲線到資料點的距離差異最小 1.2 線性回歸 在統計學中，線性回歸 linear regressio...
基於Tensorflow的Keras安裝
平台 ubuntu14.04 版本 python3.5，anaconda3 4.1.1，tensorflow1.4.0 bash anaconda sh 檔名 步驟2 回到剛開啟命令框時的目錄，依此輸入 mkdir pip cd pip vim pipconfig 然後會彈出一些配置 拉到最下面，點...