手写：逻辑回归拟合二维数据（tensorflow）

本文链接：https://blog.youkuaiyun.com/sunshinefcx/article/details/85343990

本文详细介绍了如何使用TensorFlow进行深度学习，包括定义输入节点、学习参数变量、初始化变量、训练模型和使用模型的过程。通过拟合二维数据，展示了训练过程中的损失值和参数变化，最终得到稳定的模型输出。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1、定义tensorflow输入节点【3种方法】

2、定义学习参数的变量【2种方法】

3、定义运算

4、选择优化函数，优化目标

5、初始化所有变量

6、迭代更新参数到最优解

7、测试模型

8、使用模型

1.1使用占位符定义：比较常用，使用 tf.placeholder 函数

占位符的意思就是先定义，之后再解释，就相当于先定义了变量但是没有初始化，定义方法如下：

X = tf.placeholder("float")   
Y = tf.placeholder("float")

1.2使用字典类型定义：用于输入比较多的情况下

将占位符与字典类型相结合，实现方法如下：

inputdict = {
                 'x':tf.placeholder("float"),
                 'y':tf.placeholder("float")
             }

1.3直接定义：一般很少用

就是将输入的数据直接当做模型的输入变量

2.1直接定义：使用tf.Variable函数可以对参数直接定义

W = tf.Variable(tf.random_normal([1]),name = "weight")  
b = tf.Variable(tf.zeros([1]),name = "bias")

2.2字典定义：在深层神经网络中，经常使用字典定义

就是将直接定义的方法加到字典类型中，实现方法如下：

paradict = {