【关键字】
1. Pyhton
2. TensorFlow
3. 机器学习
【场景定义】
假定一些样本数据和正确结果，而且人为添加一些噪音数据（偏差数据），提供给TensorFlow进行机器学习，看看机器学习效果如何，并通过实验理解机器学习
1）样本数据模型：f(x) = ax^2 + bx + c，即抛物线，当然也可以任意定义一个模型
2）噪音数据：y=f(x) + 随机数，随机数就作为偏差值，产生噪音数据
3）输入和输出：输入数据x和输出数据y都是明确的一维数据，是最简单的模型，取值：x=[0,300]，得到的y就是输出数据
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
import os
os.environ[‘TF_CPP_MIN_LOG_LEVEL’] = ‘2’
#产生样本数据和图形
numdots=300
inputdata=[]
for i in range(numdots):
x=np.random.normal(0.8,10)
y=0.3*x*x-0.2*x+0.5+np.random.normal(0,6)
inputdata.append([x,y])
x_data=[v[0] for v in inputdata]
y_data=[v[1] for v in inputdata]
【神经网络】
基于Tesonflow构建神经网络，用到了神经网络的几个常用方法：
1）array.reshape(): 生成矩阵
2）placeholder：添加计算占位符节点，相当于定义一个参数，需要重点理解清楚
X = tf.placeholder(dtype=tf.float32, shape=[144, 10], name=’X’)
参数说明
dtype：数据类型，必填，默认为value的数据类型，传入参数为tensorflow下的枚举值（float32，float64…….）
shape：数据形状，选填，不填则随传入数据的形状自行变动，可以在多次调用中传入不同形状的数据
name：常量名，选填，默认值不重复，根据创建顺序为（Placeholder，Placeholder_1，Placeholder_2…….）
3）Variable：变量域，相当于设置一个变量
4）relu：线性整流函数（Rectified Linear Unit, ReLU），又称修正线性单元
5）matmul：将矩阵 a 乘以矩阵 b,生成a * b
6）reduce_mean ：计算张量tensor沿着指定的数轴（tensor的某一维度）上的的平均值，主要用作降维或者计算tensor（图像）的平均值
7）GradientDescentOptimizer：实现实现梯度下降算法的优化器类，用于构造一个新的梯度下降优化器实例
#构建神经网络模式
x_data=np.array([x_data]).reshape(-1,1)
y_data=np.array([y_data]).reshape(-1,1)
x_h=tf.placeholder(dtype=tf.float64,shape=[None,1],name=”xh”)
y_h=tf.placeholder(dtype=tf.float64,shape=[None,1],name=”yh”)
w=tf.Variable(np.random.normal(0,0.3,size=[1,20]),dtype=tf.float64)
b=tf.Variable(np.random.normal(0.0,0.5,size=[20]),dtype=tf.float64)
y0=tf.nn.relu(tf.matmul(x_h,w)+b)
w1=tf.Variable(np.random.normal(0,0.5,size=[20,1]),dtype=tf.float64)
b1=tf.Variable(np.random.normal(0,0.8,size=[1]),dtype=tf.float64)
y=(tf.matmul(y0,w1)+b1)
los=tf.reduce_mean((tf.square(y-y_h)))
tran=tf.train.GradientDescentOptimizer(0.001).minimize(los)
【机器训练】
训练主要在session中进行交互，session具有管理CPU/GPU计算能力和网络连接功能，相当于一个上下文，使用参数是：
1）Session：Session作为会话，主要功能是指定操作对象的执行环境，Session类构造函数有3个可选参数。
target(可选)：指定连接的执行引擎，多用于分布式场景。
graph(可选)：指定要在Session对象中参与计算的图(graph)。
config(可选)：辅助配置Session对象所需的参数(限制CPU或GPU使用数目，设置优化参数以及设置日志选项等)。
2）global_variables_initializer：返回一个用来初始化计算图中所有global variable的op，通常使用方式是：sess.run(tf.global_variables_initializer())，启动所需要的数据流图进行计算。
3）session.run：执行计算，参数是：run(op, data)，比如：
import tensorflow as tf
a = tf.add(1, 2)
# 定义了一个op操作，恒等于1+2 = 3
b = tf.multiply(a, 2)
# 定义了相乘操作，a*2
session = tf.Session()
v1 = session.run(b)
print(v1)
# v1=（1+2) * 2 =6
replace_dict = {a:20}
# a重新定义为常量20
v2 = session.run(b, feed_dict = replace_dict)
print(v2)
# V2= 20 *2 = 40
训练次数越高，如果模型合理的话，拟合结果会越准确，本文是明确的抛物线模型，所以训练结果能较好的回归
【使用训练结果】
训练结束后，在相同的上下文计算，可以使用训练结果看看学习效果
#用神经网络计算X上的所有点的Y值，绘制图形，看效果
testx=np.linspace(-30,30,60,dtype=np.float32).reshape(-1,1)
testy=sess.run(y,feed_dict={x_h:testx})
#plt.scatter(testx,testy)
plt.scatter(x_data,y_data)
plt.plot(testx,testy)
plt.show()
上述代码可以直接运行，得到结果是：
蓝点：带有噪音的样本数据
曲线：训练结束后，基于训练结果计算得到的数据，已经非常接近于去除噪音的样本模型了