TensorFlow学习笔记（1）及鸢尾花识别代码注释

人工智能的主流：连接主义。

人工智能的三个学派：

1、行为主义：基于控制论，由感知到控制。

2、符号主义：基于表达式，先描述表达式，再求解表达式，是一种用公式描述的人工智能。

3、连接主义：仿生学，神经网络的感性控制。

搭建一个完整的神经网络，往往需要以下几个步骤：

1、准备数据：特征和标签对（数据集）

2、搭建网络：确定神经网络的结构

3、优化参数：（利用反向传播）获取最佳参数

4、应用网络：保存训练模型，应用（前向传播）

神经网络的表达式：y=w*x+b     y表示期望，w表示权重，b表示偏置，在最初的设计中，w和b都是随机设置的。

损失函数：预测期望值与实际值的差距，根据损失函数去判断参数w、b优化的好坏，是否还需要继续优化。常见的是均方误差（MSE），目的就是找到使损失函数最小的w和b。

梯度：损失函数对各参数求偏导后的向量，梯度下降的方向即损失函数变小的方向，沿着梯度的下降方向寻找损失函数的最小值。

迭代函数：wt=wt-lr*（loss对w的偏导）    wt表示参数，lr表示迭代速率

Tensor：张量，多维数组

拥有的数据类型：int、float（32,64）、bool、string

创建张量tensor：tf.constant(张量内容，形状，dtype=数据类型)

张量内容如果是一个数值，那么在张量内部都会填充为该数值。

tf.constant([1 5], shape=(2，)， dtype=int64)    表示是一个两行，第一行为1第二行为5的整型张量。

对于numpy格式的数据，要用tf.convert_to_tensor(a,dtype=)转变为tensor。

创建全为0的张量：tf.zeros(维度)

创建全为1的张量：tf.ones（维度）

创建全为指定值的张量：tf.fill（维度，指定值）

生成正态分布的随机数，默认均值为0，标准差为1   tf.random.normal(维度，mean=均值，stddev=标准差)

生成截断式正态分布的随机数   tf.random.truncated_normal(维度，mean=均值，stddev=标准差)

生成均匀分布随机数   tf.random.uniform(维度，minval=最小值，maxval=