# 例子2

## 创建数据

```python
import tensorflow as tf
import numpy as np

# create data
x_data = np.random.rand(100).astype(np.float32)
y_data = x_data*0.1 + 0.3
```

## 搭建模型

用 **tf.Variable** 来创建描述 **y** 的参数

神经网络也就是学着把 **Weights** 变成 0.1, **biases** 变成 0.3

```python
Weights = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
biases = tf.Variable(tf.zeros([1]))

y = Weights*x_data + biases
```

## 计算误差

```python
loss = tf.reduce_mean(tf.square(y-y_data))
```

## 传播误差

误差传递方法是梯度下降法: **Gradient Descent**

用 **optimizer** 来进行参数的更新.

```python
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)
```

## 训练

使用这个结构之前, 必须先初始化所有之前定义的**Variable**

```python
init = tf.global_variables_initializer()
```

用 **Session** 来执行 **init** 初始化步骤

并且, 用 **Session** 来 **run** 每一次 **training** 的数据. 逐步提升神经网络的预测准确性.

```python
sess = tf.Session()
sess.run(init)          # Very important

for step in range(201):
    sess.run(train)
    if step % 20 == 0:
        print(step, sess.run(Weights), sess.run(biases))
```