遇到的问题以及解决方案
- Question1：对于随机生成的x，y训练出来的拟合直线效果不理想。
解决方案：将权重的标准差调整为0后效果仍然不理想，然后根据线性回归的流程，对所有参数设置的一一进行排查，最后将错误定位到梯度下降法的步长，起初设置为0.0001，导致步长太小，使得直线拟合速度太慢，迭代5000步后仍然无法达到理想程度，因此加大步长，加快拟合速度，但步长又不可以太大，会导致最终结果在最佳收敛点附近徘徊。
调整随机分布的y的方差的结果：
图2：y值方差为0.1的拟合结果图
图3：y值方差为0.4的拟合结果图
从上图分析，改变y的方差值，三点均匀的分布在直线两侧，则说明拟合的结果较为不错。
- 调整梯度下降法的步长
图4：步长为0.01的拟合结果图
图5：步长为0.0001的拟合结果
从上图分析，步长太小会导致拟合速度变慢。
用tensorboard可视化线性回归模型：
图6：损失值变化曲线图
由上图可知，在迭代到700步之前，损失值迅速下降，迭代到600步之后，损失之几乎没有变化，呈现一条水平的直线，其值为0.1856。
图7：线性回归数据流图
图8：parameters结点中地内部结构图
由图7可以清晰地分析出各个结点之间地数据流向，结点表示一个命名空间，直线上的数据表示有多少个张量（数据）从一个结点流向另一个结点。双击其中一个结点patameters，如图8所示，又可以清楚地看到其内部包含两个变量，分别为weights和biases。
图9：偏差变化图
图10：权重变化图
图9分析可得，偏差在刚开始迭代时迅速下降，然后又迅速上升，大约迭代到700步之后区域稳定。
图10分析可得，在迭代到700步之前，权重迅速上升，700步之后趋于平衡，其值大约为1.40。
图11：偏差直方图
图12：权重直方图
经验与总结
1.模型的优缺点分析
优点：本次实验实现的是最简单的一元线性回归，实现方式较为简单，理解起来较为容易，适合tensorflow初学者快速入门。
缺点：
- 线性回归模型的实际意义是用于预测，而本实验是随机生成的原始数据，没有实际含义，不可以应用到实际应用问题中。
- 只设置了一个特征，不可以预测多特征的复杂线性回归问题，模型过于简单.
- 设计与实现过程中的各种错误与解决方法
模型中的相关参数设置：由于是tensorflow初学者，对线性回归中的相关参数设置一头雾水，导致拟合的结果不理想，通过查阅资料以及对线性回归模型的深入理解，根据实际模型不断地去调整参数，最后达到理想结果。
- 改进与拓展
根据模型分析的优缺点，可以将单一特征的线性回归模型改进为多特征的线性回归模型，设置多个权重（w1,w2....）。随机生成样本点不具有实际意义，也不利于初学者对线性回归模型的深入理解，可以通过具体的例子来理解，比如说可以参考房价预测模型，根据房子的大小，所处区域以及其他特征建立线性回归模型，最后得到的模型，可以用来预测更多其他房子的房价，更具有实际应用价值。
最后附上github链接https://github.com/aiyadehaijiao/LinearRegression
