import tensorflow as tf
import numpy as np

# Create 100 phony x, y data points in NumPy, y = x * 0.1 + 0.3
x_data = np.random.rand(100).astype(np.float32)
y_data = x_data * 0.1 + 0.3

# Try to find values for W and b that compute y_data = W * x_data + b
# (We know that W should be 0.1 and b 0.3, but TensorFlow will
# figure that out for us.)
# [1] adalah shape-nya, artinya 1 dimensi dan 1 elemen
# diinisialisasi dengan distribusi Uniform(-1,1)
W = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
# [1] adalah shape-nya, sama seperti di atas
# untuk bias, biasanya diinisialisasi dengan ZERO
b = tf.Variable(tf.zeros([1]))
y = W * x_data + b

# Minimize the mean squared errors.
# y dan y_data adalah vector shape=[batch_size], dalam hal ini 100
# square akan mengkuadratkan setiap elemen di dimensi (non-reduction)
# reduce_mean akan menghitung reduksi -> rata-rata dari semua elemen hasil kuadrat
loss = tf.reduce_mean(tf.square(y - y_data))
# definisi GD optimizer dengan learning rate = 0.5
optimizer = tf.train.GradientDescentOptimizer(0.5)
# definisi operasi optimasi-nya
train = optimizer.minimize(loss)

# Before starting, initialize the variables.  We will 'run' this first.
# baru mendefinisikan operasi untuk init semua tf.Variable
# akan dilaksanakan di session.run()
init = tf.global_variables_initializer()

# Launch the graph.
sess = tf.Session()
sess.run(init) # eksekusi init

# Fit the line.
for step in range(201): #epoch 200
    sess.run(train) #eksekusi train -> sekali step/sekali hitung gradient lalu update parameter
    if step % 20 == 0:
        print(step, sess.run(W), sess.run(b))

# Learns best fit is W: [0.1], b: [0.3]

# Close the Session when we're done.
sess.close()