tensorflow学习：准备训练数据和构建训练模型

数据不是收集的，是自己生成的

%matplotlib inline

这个是为了让在jupyter在浏览器里能够显示图像。

生成y=2x+1的随机数据，数据加背景噪声限值0.4

生成等差数列,100个

x_data=np.linspace(-1,1,100)
y_data=2*x_data+1.0+np.random.randn(*x_data.shape)*0.4

*号是把shape元组拆成一个个参数

之前设置了伪随机数种子 np.random.seed(5)

画散点图：plt.scatter(x_data,y_data)

画上帝视角已学习到的的线性函数直线：

plt.plot(x_data,2*x_data+1.0,color='red',linewidth=3)

先定义训练数据的占位符，定义了2个，

1个是特征值x，1个是标签值y

然后定义模型函数，这个函数有3个参数，

1个就是上面说的x，还有2个是参数，分别是w和b，就是2个参数：斜率和位移

而上面的2个参数，要用tf.Variable来声明来创建变量，它是会变的，在训练中学习到的，所以给它的初值是多少是无所谓的

然后就是怎么样来训练模型了

训练模型就是一个不断迭代不断改进的过程

首先是训练参数，也就是超参，一个是迭代次数train_epochs，这里设置为10，根据复杂情况，可能上万次都可能的。一个是学习率learning_rate，这里默认为0.05

下一步定义损失函数，用于描述预测值与真实值之间的误差，从而指导模型收敛方向，这个非常重要，这个就好像是你在学习的过程中，有一个贴心的小蜜，总能在合适的时候告诉你说，亲你这里不对，亲你那里错了，这样你不会在错误的方向越走越远碰到南墙才回头