Tensorflow：简单线性回归

我刚刚开始在python中使用Tensorflow来解决优化问题。我只是用非常简单的回归模型做了一次尝试。但是我得到的结果（斜率和常数）似乎与我的预期相差甚远，谁能指出我做错了什么（代码运行了，但我不确定是否正确使用了Tensorflow）

我所做的：
1导入模块：

导入matplotlib.pyplot作为plt
将numpy作为np导入
导入随机运行
导入tensorflow作为tf

2基于线性结构创建数据（y=3 X+4+错误）：

train_X=np.数组（范围（-20,20,1））
b=3；c=4；sd=0.5；
误差=np.随机.正常（loc=0.0，标度=sd，尺寸=40）；
确定性=b*列车X+c；
列车Y=np.add（确定，错误）

3优化设置：

X=tf.placeholder（tf.float32[40]）
Y=tf.placeholder（tf.float32[40]）
beta=tf.Variable（np.random.randn（），name=“beta”）
alpha=tf.Variable（np.random.randn（），name=“alpha”）
n_样本=40
学习率=0.01
pred_full=tf.add（tf.scalar_mul（beta，X），alpha）
成本=tf.reduce_平均值（tf.pow（tf.subtract（Y，pred_full），2））
优化器=tf.train.GradientDescentOptimizer（学习率）。最小化（成本）

4运行它：

init=tf.global\u variables\u initializer（）
使用tf.Session（）作为sess：
sess.run（初始化）
run（优化器，feed_dict={X:train_X，Y:train_Y}）
结果=sess.run（成本，提要={X:train\ux，Y:train\uy}）
result_beta=sess.run（beta，feed_dict={X:train_X，Y:train_Y}）
结果_alpha=sess.run（alpha，feed_dict={X:train_X，Y:train_Y}）
打印（'result:'、result'；'、'result_beta:'、result_beta'；'、'result_alpha:'、result_alpha）

我得到的结果是：

结果：1912.99；结果β：6.75786；结果α：-0.209623

显然，β应该接近3，alhpa应该接近4。我想知道我的代码出了什么问题

---

谢谢

对于梯度下降的多次迭代，您必须多次调用优化器。正如@dv3所指出的，试试看

init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    for i in range(50):
        opt, result_alpha, result_beta = sess.run([optimizer, alpha, beta], feed_dict={X: train_X, Y: train_Y})

    print('beta =', result_beta, 'alpha =', result_alpha)

---

注意：不必通过单独调用run（）访问多个张量值。您可以使用要获取的值列表来完成此操作。

那么您只需运行一次模型。。。？创建一个循环并迭代：cost，opt，beta，alpha=sess.run（[cost，optimizer，result\u-alpha，result\u-beta]，feed=…）哦，非常感谢，非常感谢！我认为，每次追踪，乐观主义者只有在找不到更小的成本时才会停止。我已经实现了你给我的代码。它起作用了！