TensorFlow2变为动态图优先模式，可以在计算时同时获得计算图与数值结果，在代码调试并实时打印数据。
核心功能：GPU并行加速计算，自动梯度（tape.grandient），常用神经网络接口（网络运算函数，常用网络层，模型保存加载等）
梯度下降法 线性模型实战（未使用tf，手动求解梯度并更新）

# This is a sample Python script.
import numpy as np

# 均方误差
def mse(b,w,points):
    totalError=0
    for i in range(0,len(points)):
        x=points[i,0]
        y=points[i,1]
        #loss 实际与预测差值平方
        totalError+=(y-(w*x+b))**2
    return totalError/float(len(points))

# 计算梯度
def step_gradient(b_current,w_current,points,lr):
    b_grandient=0
    w_grandient=0
    M=float(len(points))
    for i in range(0,len(points)): #数据规模
        x = points[i, 0]
        y = points[i, 1]
        # 误差函数的梯度值
        b_grandient+=(2/M)*((w_current*x+b_current)-y)
        w_grandient+=(2/M)*x*((w_current*x+b_current)-y)
    # 更新系数 b'=b-lr*grandient
    new_b=b_current-(lr*b_grandient)
    new_w=w_current-(lr*w_grandient)
    return [new_b,new_w]

def gradient_descent(points,starting_b,starting_w,lr,num_iterations):
    b=starting_b
    w=starting_w
    for step in range(num_iterations): # 迭代次数
        b,w=step_gradient(b,w,np.array(points),lr)
        loss=mse(b,w,points)
        if step%50==0:
            print(f'iteration:{step},loss:{loss},w:{w},b:{b}')
    return [b,w]

def main():
    data = []
    for i in range(100):
        x = np.random.uniform(-10., 10.)
        eps = np.random.normal(0., 0.01)
        y = 1.477 * x + 0.089 + eps
        data.append([x, y])
    data = np.array(data)
    lr=0.01
    initial_b=0
    initial_w=0
    num_iterations=1000
    [b,w]=gradient_descent(data,initial_b,initial_w,lr,num_iterations)
    loss=mse(b,w,data)
    print(f'Final loss:{loss},w:{w},b:{b}')

# Press the green button in the gutter to run the script.
if __name__ == '__main__':
    main()