现在，我们将开始通过定义创建我们的模型的占位符X和Y，这样我们就可以养活我们的训练实例X，并Y进入优化训练过程。

X = tf.placeholder("float")

Y = tf.placeholder("float")

现在我们将为权重和偏差声明两个可训练的Tensorflow变量，并使用它们随机初始化它们

np.random.randn()

W = tf.Variable(np.random.randn(), name = "W")

b = tf.Variable(np.random.randn(), name = "b")

现在我们将定义模型的超参数，学习率和时代数。

learning_rate = 0.01

training_epochs = 1000

现在，我们将构建假设，成本函数和优化器。我们不会手动实现Gradient Descent Optimizer，因为它是在Tensorflow内部构建的。之后，我们将初始化变量。

# Hypothesis

y_pred = tf.add(tf.multiply(X, W), b)

# Mean Squared Error Cost Function

cost = tf.reduce_sum(tf.pow(y_pred-Y, 2)) / (2 * n)

# Gradient Descent Optimizer

optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)

# Global Variables Initializer

init = tf.global_variables_initializer()