P53 trainable 学习率的调整，梯度爆炸

import tensorflow as tf
def myregession():
    """
    自实现一个线性回归预测
    :return: None
    """
    #1. 准备数据 x 特征值，[100,1],  100个样本，1个特征
    #           y 目标值 ，[100]
    x=tf.random_normal([10,1],mean=1.75,stddev=0.5,name="x_data")#这个是真实的特征值
    y_true= tf.matmul(x,[[0.7]])+0.8  #先假设已经知道这个线性关系，其实现实中是不知道的，为了准备准据，才这样假设的
    #注:矩阵相乘必须是二维的
    # 2. 建立线性回归模型，一个特征，1个权重，一个偏置，y=wx+b
    #w,b需要随机初始化一个值，从这个地方开始优化，从这个地方计算损失，然后在当前状态下优化
    #trainable参数是指定这个变量能否跟着梯度下降一起优化
    
    weight= tf.Variable(tf.random_normal([1,1],mean=0.0,stddev=1.0),name="w",trainable=False)
    #权重必须定义成tf的变量,因为只有用变量定义才能优化，必须是二维的，所以定义成1行1列
    bias=tf.Variable(0.0,name='b')
    y_predict=tf.matmul(x,weight)+bias
    # 3. 建立损失函数，求均方误差
    loss=tf.reduce_mean(tf.square(y_true-y_predict))
    # 3. 梯度下降优化损失,learning_rate:0~1,2,3,5,7,10
    train_op=tf.train.ProximalGradientDescentOptimizer(0.1).minimize(loss)
    #定义个一个初始化变量的 op
    init_op=tf.global_variables_initializer()
    #通过会话运行程序
    with tf.Session() as sess:
        # 初始化变量
        sess.run(init_op)

        #打印最先随机初始化的权重和偏置
        print("随机初始化的参数，权重为：%f,偏置为：%f"%(weight.eval(),bias.eval()))
        #注:weight,bias是不能直接打印的，因为它们是op
        # 运行优化

        #循环训练，持续优化
        for i in range(300):
            sess.run(train_op)
            print("第%d次运行优化后的参数，权重为：%f,偏置为：%f" % (i,weight.eval(), bias.eval()))

    return None

if __name__=="__main__":
    myregession()

运行结果：

随机初始化的参数，权重为：0.923550,偏置为：0.000000
第0次运行优化后的参数，权重为：0.923550,偏置为：0.067194
第1次运行优化后的参数，权重为：0.923550,偏置为：0.135915
第2次运行优化后的参数，权重为：0.923550,偏置为：0.186926
第3次运行优化后的参数，权重为：0.923550,偏置为：0.225835
第4次运行优化后的参数，权重为：0.923550,偏置为：0.257090
第5次运行优化后的参数，权重为：0.923550,偏置为：0.287806
第6次运行优化后的参数，权重为：0.923550,偏置为：0.299400
第7次运行优化后的参数，权重为：0.923550,偏置为：0.315512
第8次运行优化后的参数，权重为：0.923550,偏置为：0.341794
第9次运行优化后的参数，权重为：0.923550,偏置为：0.345407
第10次运行优化后的参数，权重为：0.923550,偏置为：0.358482
第11次运行优化后的参数，权重为：0.923550,偏置为：0.369397
第12次运行优化后的参数，权重为：0.923550,偏置为：0.372021
第13次运行优化后的参数，权重为：0.923550,偏置为：0.399361
第14次运行优化后的参数，权重为：0.923550,偏置为：0.394093
第15次运行优化后的参数，权重为：0.923550,偏置为：0.399880
第16次运行优化后的参数，权重为：0.923550,偏置为：0.398234
第17次运行优化后的参数，权重为：0.923550,偏置为：0.399431
第18次运行优化后的参数，权重为：0.923550,偏置为：0.400979
第19次运行优化后的参数，权重为：0.923550,偏置为：0.399697
第20次运行优化后的参数，权重为：0.923550,偏置为：0.405342
第21次运行优化后的参数，权重为：0.923550,偏置为：0.403404
第22次运行优化后的参数，权重为：0.923550,偏置为：0.409384
第23次运行优化后的参数，权重为：0.923550,偏置为：0.421517
...
第296次运行优化后的参数，权重为：0.923550,偏置为：0.397181
第297次运行优化后的参数，权重为：0.923550,偏置为：0.397113
第298次运行优化后的参数，权重为：0.923550,偏置为：0.392938
第299次运行优化后的参数，权重为：0.923550,偏置为：0.405100

Process finished with exit code 0

可见，trainable设为false的时候，weight是没有跟着梯度下降一起优化的。