本文，给出两组随机数据，并尝试着找出这两组数据之间的函数关系。本文只准备拟合出一个一次函数，虽然这样的结果，很可能并不能很好的拟合数据。
工具/原料
电脑
python3.6（Anaconda）
tensorflow模块
numpy模块
准备数据
1、给出两组随机数：import tensorflow as tfimport numpy as npx忧溲枷茫_data = np.random.rand(300).astype(np.float32)y_data = np.random.rand(300).astype(np.float32)
2、打印一下x_data，这是由300个随机实数组成的数组。
3、打印一下y_data，也是300个随机实数，与x_data的数字一一对应。
创建训练结构
1、本文的目标，是找到一个函数：y = W*x_data+b能够尽量拟合给定的数组数据。
2、其中，一次项系数W称为权重，是一个介于-1到1之间的实数：W = tf.Variable(tf.random_uniform([1],-1.0,1.0))
3、常数项b的初始值是0：b = tf.Variable(tf.zeros([1]))
4、loss是y与y_data的误差：loss = tf.reduce_mean(tf.square(y-y_data))
5、用梯度下降法制作一个优化器（optimizer），通过训练，来减少误差：optimizer = tf.train.GradientDescentOptimizer(0.5)train = optimizer.minimize(loss)
6、初始化所有的变量：init = tf.initialize_all_variables()这样，基本的训练结构就完成了。
开始训练
1、创建一个对话：sess = tf.Session()激活所有的初始化变量：sess.run(init)
2、开始长达10000次的训练：for step in range(10001): sess.run烫喇霰嘴(train)#每隔100次，就输出一下对应的W和b： if step%100==0: print(str(step).rjust(5),sess.run(W),sess.run(b))训练结束后，关闭对话：sess.close()
3、运行一下，看看具体的训练过程。
4、在关闭对话之前，还可以插入数据对应的图像，以及训练的函数y对应的图像：import matplotlib.pyplot as ptpt.axis('on&垆杪屑丝#39;)pt.scatter(x_data,y_data,c='g')pt.scatter(x_data,sess.run(W*x_data+b), c='r')pt.show()图中，绿色点是给出的随机数据的图像，红色线是拟合的函数图像；由于数据点过于分散，因此，一次函数并不能很好的拟合这组数据；这里拟合出的y，只是误差尽可能小的一次函数。
