ลองใช้ Tensorflow ทำ Linear Regression

import numpy as np
import tensorflow as tf

# ประกาศ parameter ที่ต้องการทราบก่อน
W = tf.Variable([.3], tf.float32)
b = tf.Variable([-.3], tf.float32)
# ตรงนี้เป็น model input output
x = tf.placeholder(tf.float32)
linear_model = W * x + b
y = tf.placeholder(tf.float32)
# loss เป็นตัวบอกว่า model ที่ได้ใน input เดียวกัน output มันคลาดเคลื่อนไปจาก datasets เท่าไร
loss = tf.reduce_sum(tf.square(linear_model - y))
# optimizer นี่ตามชื่อเลยครับ
optimizer = tf.train.GradientDescentOptimizer(0.01)
train = optimizer.minimize(loss) #ตรงนี้จะพยายามลด Loss ให้น้อยที่สุด
# datasets ของเรา
x_train = [1,2,3,4]
y_train = [0,-1,-2,-3]
# อันนี้เป็นขั้นตอน training
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)
for i in range(1000):
  sess.run(train, {x:x_train, y:y_train})

# พอ train เสร็จเราก็จะมาดูผลที่ได้
curr_W, curr_b, curr_loss  = sess.run([W, b, loss], {x:x_train, y:y_train})
print("W: %s b: %s loss: %s"%(curr_W, curr_b, curr_loss))