Линейная регрессия TensorFlow — возврат NaN для весов, смещения и Inf для потерь

Я пытаюсь выполнить приведенную ниже линейную регрессию в TensorFlow, но мой результат - все Inf и NaN.

Мой входной набор данных должен быть Y = 0,5 * X + 2 + шум; где X - нормальное распределение размера (1000), а шум - гауссовский с (mu = 0,0 и sigma = 50)

Выход:

потери = 82662,945 Вт = 15974,369 б 24,379812

потери= 81293050000000,0 Вт= -508895600,0 б -775064,06

потери= 8,250697e+22 Вт= 16212403000000,0 b 24692003000,0

потери= 8,373905e+31 Вт= -5,1649487e+17 b -786638100000000,0

потеря = inf W = 1,6454498e + 22 b 2,5060722e + 19

потеря = inf W = -5,2420755e + 26 b -7,9838474e + 23

потеря = inf W = 1,6700204e + 31 b 2,543495e + 28

потеря = inf W = -5,320352e + 35 b -8,1030665e + 32

убыток= инф. W= инф. б инф.

потеря = inf W = nan b nan

потеря = нан W = нан б нан

потеря = нан W = нан б нан

потеря = нан W = нан б нан

import tensorflow as tf
from sklearn.model_selection import train_test_split
import numpy as np
import pandas as pd
from matplotlib import pyplot as plt


noise=np.random.normal(0.0,50,1000)#.astype(np.float32)
x_data=np.random.uniform(0,1000,1000)#.astype(np.float32)
y_data=0.5*x_data+2+noise#.astype(np.float32)

plt.scatter(x_data,y_data,s=0.1)
plt.show()


X=tf.placeholder(shape=(1000,),dtype=tf.float32)
Y=tf.placeholder(shape=(1000,),dtype=tf.float32)

#Learning W and b over the epochs
W=tf.get_variable(name='Weight',dtype=tf.float32,shape(),initializer=tf.zeros_initializer())
b=tf.get_variable(name='Bias',dtype=tf.float32,shape=(),initializer=tf.zeros_initializer())

Y_pred= tf.add(tf.multiply(X, W),b)
loss = tf.reduce_mean(tf.square(Y_pred - Y))



optimizer=tf.train.GradientDescentOptimizer(learning_rate=0.05).minimize(loss)

epochs=100
with tf.Session() as sess:
init=tf.global_variables_initializer()
sess.run(init)
for e in range(epochs):
    _,c=sess.run([optimizer,loss],feed_dict = {X: x_data,Y: y_data})
    print('loss=',c,'W=',sess.run(W),'b',sess.run(b))

#plt.scatter(x_data, y_data, 'ro', label='Original data')
plt.plot(x_data, sess.run(W) * x_data + sess.run(b), label='Fitted line')
plt.legend()
plt.show()