本示例**，讓你對將要學習tensorflow有初步的印象.整段**其實相當於完成線性方程的求解，
當然，這個求解過程，不是線性方程的求解方法，而是通機器學習的神經網路方法進行求解，
如果你測試成功了本段**，但又暈暈呼呼，不知道在幹什麼，
你可以參考我的另一篇文章 機器學習(1)--神經網路初探
# -*- coding:utf-8 -*-
import tensorflow as tf
import numpy as np
def tfnn(w,b):
'''w 為線性方程上各維度的係數
b為常數
即 y= a0 * x0 + a1 * x1 + a2 * x2 + a3 * x3 + b 其中w=[a0,a1,a2,a3]
'''w=(w if isinstance(w,np.ndarray) else np.array(w)).astype(np.float32)
#構建一100條資料，做為訓練資料
x_data=np.random.random([100,len(w)]).astype(np.float32)
y_data=np.matmul(x_data,w)+b
#print(x_data[0]) #[ 0.46942019 0.34641194 0.44924116 0.05670002]
#print(y_data[0]) #0.773677 即實現了線性方程 y = 0.46942019*0.1+ 0.34641194*0.2 +0.44924116*0.3+0.05670002*0.4+0.5
#以下三行為將用weights代替w,biases代替b
weights=tf.variable(tf.random_uniform([len(w)],-1.0,1.0)) #隨機初始化weights，這裡的目的只是給個初始值，這和最終計算的沒有任何關係，會在機器學習的過程中將不斷的調整這個weights
biases=tf.variable(tf.zeros([1])) #隨機初始化biases,同上條一樣，這和最終計算的沒有任何關係，所以就設為零
y=tf.reduce_sum(x_data*weights,axis=1)+biases #同樣是設定y與weights及biases的線性關係
loss = tf.reduce_mean(tf.square(y - y_data))# 最小化方差，這兩行就暫時死記吧，loss就是計算調整測試值與實際值的作用，如果參考了我的另一篇文章，應該能理解這兩行的作用
train=tf.train.gradientdescentoptimizer(0.25).minimize(loss) #優化器，0.25學習效率，應該是乙個小於0.5的數，
traintimes=(len(w)+1)*100 #計算學習的次數,
showtrainstep=traintimes/5 #要學習幾百次，全部步驟顯示太多，就顯示5次
with tf.session() as sess:
sess.run(tf.initialize_all_variables())
for i in range(traintimes):
sess.run(train)
if i % showtrainstep==0:
print(sess.run(weights),sess.run(biases))
print('-'*20+' 計算結束，對最後結果進行四捨五入'+'-'*20)
print(np.round(sess.run(weights),2),np.round(sess.run(biases),2)) # 對最後結果進行四捨五入，讓結果看得清晰些
#最後的結果與我們的傳參(w,b)是基本相符合的，說明整個機器學習的過程是正確有效的
tfnn([0.01,0.02,0.03,0.04],0.05)
機器學習筆記（2）tensorflow學習
參考資料 單隱層前饋網路結構 問題描述 天氣氣溫，當輸入連續三小時的氣溫時，第四個小時的氣溫。資料 訓練集為20 24小時氣溫資料，測試集為10 24小時資料。網路結構為 3 7 1,即三個輸入神經元，七個隱層神經元，乙個輸出神經元。環境 python3.6.5和tensorflow1.2.1，im...
tensorflow 入門經典例項
import tensorflow as tf 發起會話 sess tf.session 兩行都可以執行 具體意思見下方注釋 a tf.variable tf.truncated normal 2,3 0,1,dtype tf.float32,seed 3 a tf.variable tf.rand...
tensorflow 簡單例項1
import tensorflow as tf import numpy as np create data x data np.random.rand 100 astype np.float32 y data 0.5 x data 1.3 tensorflow中的變數，這些變數在每次sess迭代時...