神经网络训练Weights&biases

import tensorflow as tf
import numpy as np
import os

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 设置TensorFlow输出模式，忽略警告

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

# 定义一个初始值为-1到1的随机数，不断提升接近0.1
Weights=tf.Variable(tf.random_uniform([1],-1.0,1.0))
# 定义一个初始值从0开始，不断提升接近0.3
biases=tf.Variable(tf.zeros([1]))
y=Weights*x_data+biases
# 计算预测y与真实y的误差
loss=tf.reduce_mean(tf.square(y-y_data))
# 传播误差
# 建立优化器 反向传递误差的工作就教给optimizer了, 使用的误差传递方法是梯度下降法: Gradient Descent
optimizer=tf.train.GradientDescentOptimizer(0.5) # 0.5表示学习效率，小于1的数
# 利用优化器减少误差，提升参数准确度 (使用 optimizer 来进行参数的更新).
train=optimizer.minimize(loss)
init =tf.global_variables_initializer()

sess=tf.Session()
sess.run(init) # Session就像指针一样，指向哪就被激活

# 给它201步，0.....200
for step in range(201):
    sess.run(train)
    if step%20==0: