Tensorflow学习总结

一、tensorflow简介
1.TensorFlow是Google开发的一款神经网络的Python外部的结构包, 也是一个采用数据流图来进行数值计算的开源软件库.
2.安装:利用anaconda安装
3.原理：通过不断学习进行曲线拟合，由图1到图2。TensorFlow是采用数据流图来计算, 所以首先我们得创建一个数据流流图, 然后再将我们的数据（数据以张量(tensor)的形式存在）放在数据流图中计算. 节点（Nodes）在图中表示数学操作,图中的线（edges）则表示在节点间相互联系的多维数据数组, 即张量（tensor). 训练模型时tensor会不断的从数据流图中的一个节点flow到另一节点, 这就是TensorFlow名字的由来.

4.张量有多种

• 零阶张量为 纯量或标量 (scalar) 也就是一个数值. 比如 [1]
• 一阶张量为 向量 (vector), 比如 一维的 [1, 2, 3]
• 二阶张量为 矩阵 (matrix), 比如 二维的 [[1, 2, 3],[4, 5, 6]]
  5.激励函数activation_function
  把整个网络简化成 线性函数Y = Wx, W 就是我们要求的参数, y 是预测值, x 是输入值.
  将线性函数转为非线性Y=AF(Wx)，AF()就是激励函数，类似一个非线性函数. 比如说relu, sigmoid, tanh.
  可以创造自己的激励函数来处理自己的问题, 不过要确保的是这些激励函数必须是可以微分的, 因为在 backpropagation 误差反向传递的时候, 只有这些可微分的激励函数才能把误差传递回去.
  当你的神经网络层只有两三层, 对于隐藏层, 使用任意的激励函数, 不会有特别大的影响. 但当你使用特别多层的神经网络, 不得随意选择激励函数，会涉及到梯度爆炸, 梯度消失的问题.
  二、tensorflow回归问题

##################导入包##########################
import tensorflow as tf
import numpy as np
##################创建数据###################
x_data = np.linspace(-1,1,300, dtype=np.float32)[:, np.newaxis]
#噪音
noise = np.random.normal(0, 0.05, x_data.shape).astype(np.float32)
y_data = np.square(x_data) - 0.