遇到的問題以及解決方案
- Question1：對於隨機生成的x，y訓練出來的擬合直線效果不理想。
解決方案：將權重的標準差調整爲0後效果仍然不理想，然後根據線性迴歸的流程，對所有參數設置的一一進行排查，最後將錯誤定位到梯度下降法的步長，起初設置爲0.0001，導致步長太小，使得直線擬合速度太慢，迭代5000步後仍然無法達到理想程度，因此加大步長，加快擬合速度，但步長又不可以太大，會導致最終結果在最佳收斂點附近徘徊。
調整隨機分佈的y的方差的結果：
圖2：y值方差爲0.1的擬合結果圖
圖3：y值方差爲0.4的擬合結果圖
從上圖分析，改變y的方差值，三點均勻的分佈在直線兩側，則說明擬合的結果較爲不錯。
- 調整梯度下降法的步長
圖4：步長爲0.01的擬合結果圖
圖5：步長爲0.0001的擬合結果
從上圖分析，步長太小會導致擬合速度變慢。
用tensorboard可視化線性迴歸模型：
圖6：損失值變化曲線圖
由上圖可知，在迭代到700步之前，損失值迅速下降，迭代到600步之後，損失之幾乎沒有變化，呈現一條水平的直線，其值爲0.1856。
圖7：線性迴歸數據流圖
圖8：parameters結點中地內部結構圖
由圖7可以清晰地分析出各個結點之間地數據流向，結點表示一個命名空間，直線上的數據表示有多少個張量（數據）從一個結點流向另一個結點。雙擊其中一個結點patameters，如圖8所示，又可以清楚地看到其內部包含兩個變量，分別爲weights和biases。
圖9：偏差變化圖
圖10：權重變化圖
圖9分析可得，偏差在剛開始迭代時迅速下降，然後又迅速上升，大約迭代到700步之後區域穩定。
圖10分析可得，在迭代到700步之前，權重迅速上升，700步之後趨於平衡，其值大約爲1.40。
圖11：偏差直方圖
圖12：權重直方圖
經驗與總結
1.模型的優缺點分析
優點：本次實驗實現的是最簡單的一元線性迴歸，實現方式較爲簡單，理解起來較爲容易，適合tensorflow初學者快速入門。
缺點：
- 線性迴歸模型的實際意義是用於預測，而本實驗是隨機生成的原始數據，沒有實際含義，不可以應用到實際應用問題中。
- 只設置了一個特徵，不可以預測多特徵的複雜線性迴歸問題，模型過於簡單.
- 設計與實現過程中的各種錯誤與解決方法
模型中的相關參數設置：由於是tensorflow初學者，對線性迴歸中的相關參數設置一頭霧水，導致擬合的結果不理想，通過查閱資料以及對線性迴歸模型的深入理解，根據實際模型不斷地去調整參數，最後達到理想結果。
- 改進與拓展
根據模型分析的優缺點，可以將單一特徵的線性迴歸模型改進爲多特徵的線性迴歸模型，設置多個權重（w1,w2....）。隨機生成樣本點不具有實際意義，也不利於初學者對線性迴歸模型的深入理解，可以通過具體的例子來理解，比如說可以參考房價預測模型，根據房子的大小，所處區域以及其他特徵建立線性迴歸模型，最後得到的模型，可以用來預測更多其他房子的房價，更具有實際應用價值。
最後附上github鏈接https://github.com/aiyadehaijiao/LinearRegression
以及tensorborad的使用方法：https://blog.csdn.net/lin453701006/article/details/79391088