我对深度学习很感兴趣，最近发现了TensorFlow。我已经安装了它，并按照https://www.tensorflow.org/get_started/get_started上的教程进行了学习。
这是我根据该教程编写的代码:
import tensorflow as tfW = tf.Variable(0.3, tf.float32)b = tf.Variable(-0.3, tf.float32)x = tf.placeholder(tf.float32)y = tf.placeholder(tf.float32)linear_model = W * x + bsquared_deltas = tf.square(linear_model - y)loss = tf.reduce_sum(squared_deltas)sess = tf.Session()init = tf.global_variables_initializer()sess.run(init)optimizer = tf.train.GradientDescentOptimizer(0.01)train = optimizer.minimize(loss)sess.run(init)for i in range(1000): sess.run(train, {x:[1,2,3,4], y:[0,-1,-2,-3]})print(sess.run([W, b]))目前，我只对训练前的代码感兴趣，以免感到不知所措。
现在，我理解（或者至少我认为我理解）这部分代码。它按照教程的预期产生了结果，但这代码中的大多数行对我来说都是令人困惑的。这可能是因为我不熟悉所涉及的数学，但我不确定这里实际涉及了多少数学，所以很难判断问题是否出在这里。
无论如何，我理解前6行。然后是这一行:
squared_deltas = tf.square(linear_model - y)据我所知，它只是返回(linear_model – y)的平方。然而，y还没有值。
然后，loss被赋值为tf.reduce_sum(squared_deltas)。我理解loss需要尽可能低。
我该如何解释这两行代码呢？
我对tf.Session()和tf.global_variables_initializer()有一定的理解，所以目前对这两个函数不太担心。
附加问题：改变tf.train.GradientDescentOptimizer()参数中的值，无论是增加还是减少，都会得到错误的结果。为什么0.01有效，而0.1和0.001无效呢？
我非常感谢任何帮助！谢谢
回答：
据我所知，它只是返回(linear_model – y)的平方。然而，y还没有值。然后，loss被赋值为tf.reduce_sum(squared_deltas)。我理解loss需要尽可能低。我该如何解释这两行代码呢？
你显然需要仔细阅读TensorFlow的文档。你错过了TensorFlow的核心思想——它定义了计算图，此时没有涉及任何计算，你是对的——还没有”y”，至少没有值——它只是一个符号变量（占位符），因此我们说我们的损失将是预测值与真实值（y）之间差异的平方的平均值，但我们还没有提供它。实际的值在会话中开始“存在”，在此之前，这只是一个计算图，是给TensorFlow的指令，让它知道“要预期什么”。
附加问题：改变tf.train.GradientDescentOptimizer()参数中的值，无论是增加还是减少，都会得到错误的结果。为什么0.01有效，而0.1和0.001无效呢？
线性回归（你正在使用的）只有在学习率足够小并且你有足够的迭代次数时才会收敛。0.1可能太大了，0.01是合适的，0.001也是可以的，你只需要超过1000次迭代才能让0.001工作（任何更小的值也行，但速度会更慢）。
