1，感谢莫烦
2，第一个实例：用tf拟合线性函数
import tensorflow as tf
import numpy as np # create data
x_data = np.random.rand(100).astype(np.float32)
y_data = x_data*0.1 + 0.3 #先创建我们的线性函数目标 #搭建模型
Weights = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
biases = tf.Variable(tf.zeros([1]))
y = Weights*x_data + biases #计算误差，然后根据误差调节loss
loss = tf.reduce_mean(tf.square(y-y_data))
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss) #我们的目标是让误差尽量小 init = tf.global_variables_initializer() # 注册和初始化变量 sess = tf.Session() #创建会话，
sess.run(init) # 开始运行。tf需要在会话里运行，原因不明 for step in range(201):
sess.run(train)
if step % 20 == 0: #每训练一段时间打印一下结果
print(step, sess.run(Weights), sess.run(biases))
3,会话控制session
import tensorflow as tf # create two matrixes matrix1 = tf.constant([[3,3]]) #tf.constant表示常量
matrix2 = tf.constant([[2],
[2]])
product = tf.matmul(matrix1,matrix2) #两个同类型是数相乘，不同于tf.multiply(),这只是表示运算的步骤，而不是过程 #要想运行两个数相乘得到结果，有以下两种方法
# method 1
sess = tf.Session()
result = sess.run(product)
print(result)
sess.close() # method 2
with tf.Session() as sess:
result2 = sess.run(product)
print(result2)
4，变量Variable
和python不一样的是，tf中只有定义了是变量的才是变量，这一点和一直以来的习惯不一样
语法：
import tensorflow as tf state = tf.Variable(0, name='counter') # 定义常量 one
one = tf.constant(1) # 定义加法步骤 (注: 此步并没有直接计算)
new_value = tf.add(state, one) # 将 State 更新成 new_value
update = tf.assign(state, new_value) #但是以上步骤没有一步是直接运算的，要运算还需要载入变量
init = tf.global_variables_initializer() #激活变量是这样滴 #激活以后还是需要放在会话中运行
with tf.Session() as sess:
sess.run(init)
for _ in range(3):
sess.run(update)
print(sess.run(state))
5，placeholder传入值
import tensorflow as tf #在 Tensorflow 中需要定义 placeholder 的 type ，一般为 float32 形式
input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32) # mul = multiply 是将input1和input2 做乘法运算，并输出为 output
ouput = tf.multiply(input1, input2) with tf.Session() as sess:
print(sess.run(ouput, feed_dict={input1: [7.], input2: [2.]})) #placeholder到底像raw_input 呢还是argv呢
6，掰弯利器激励函数
7，添加层
#!coding=utf-8
import tensorflow as tf
import numpy as np def add_layer(inputs, in_size, out_size, activation_function=None):
Weights = tf.Variable(tf.random_normal([in_size, out_size]))
biases = tf.Variable(tf.zeros([1, out_size]) + 0.1) #加0.1是为了不让它为0 Wx_plus_b = tf.matmul(inputs, Weights) + biases #最基础的函数：权重乘以x加上偏移量为y
#如果激励函数为none，那我们得到的Wx_plus_b就是结果，如果有激励函数，那就需要把结果套上一层激励函数
if activation_function is None:
outputs = Wx_plus_b
else:
outputs = activation_function(Wx_plus_b)
return outputs
建造神经网络：
x_data = np.linspace(-1,1,300, dtype=np.float32)[:, np.newaxis]
noise = np.random.normal(0, 0.05, x_data.shape).astype(np.float32)
y_data = np.square(x_data) - 0.5 + noise #y=x的平方减去0.5加上干扰 #np.linspace意思的创建一个从-1到1的一维数组，这个数组里有300个元素，x_data的数字类型是float32。
#np.newaxis例如：print(np.arange(0, 10)[:, np.newaxis]) 结果将是[[0] [1] [2] [3] [4] [5] [6] [7] [8] [9]]
#noise是故意插入数组中的干扰数字，省的算出权重和偏移量过快
xs = tf.placeholder(tf.float32, [None, 1])
ys = tf.placeholder(tf.float32, [None, 1])
#定义隐藏层，inputs为xs，大小为一个，经过10个隐藏层，激励函数为tf.nn.relu
l1 = add_layer(xs, 1, 10, activation_function=tf.nn.relu) #输出层，输出层的输入值为l1，输入的值有10个，输出只有一层，激活函数是没有的
prediction = add_layer(l1, 10, 1, activation_function=None) #层虽然定义好了，我们仍旧需要通过训练优化参数，损失函数为，对二者差的平方求和再取平均。
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),
reduction_indices=[1])) #学习效率就等于
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss) init = tf.global_variables_initializer() # 对变量进行初始化，然后会话中开始跑
sess = tf.Session()
sess.run(init) #开始训练 for i in range(1000):
# 注意当运算要用到placeholder时，就需要feed_dict这个字典来指定输入
sess.run(train_step, feed_dict={xs: x_data, ys: y_data})
if i % 50 == 0:
# to see the step improvement
print(sess.run(loss, feed_dict={xs: x_data, ys: y_data}))
训练得到的结果是loss损失的大小，损失越来越小，越来越接近实际值：
8，结果可视化
可视化需要用到的依赖包是：matplotlib，目测豆瓣和清华的镜像没法用，不知原因，直接按照教程来一遍吧。
实例：
#!coding=utf-8
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt def add_layer(inputs, in_size, out_size, activation_function=None):
Weights = tf.Variable(tf.random_normal([in_size, out_size]))
biases = tf.Variable(tf.zeros([1, out_size]) + 0.1) #加0.1是为了不让它为0 Wx_plus_b = tf.matmul(inputs, Weights) + biases #最基础的函数：权重乘以x加上偏移量为y
#如果激励函数为none，那我们得到的Wx_plus_b就是结果，如果有激励函数，那就需要把结果套上一层激励函数
if activation_function is None:
outputs = Wx_plus_b
else:
outputs = activation_function(Wx_plus_b)
return outputs x_data = np.linspace(-1,1,300, dtype=np.float32)[:, np.newaxis]
noise = np.random.normal(0, 0.05, x_data.shape).astype(np.float32)
y_data = np.square(x_data) - 0.5 + noise #y=x的平方减去0.5加上干扰 #np.linspace意思的创建一个从-1到1的一维数组，这个数组里有300个元素，x_data的数字类型是float32。
#np.newaxis例如：print(np.arange(0, 10)[:, np.newaxis]) 结果将是[[0] [1] [2] [3] [4] [5] [6] [7] [8] [9]]
#noise是故意插入数组中的干扰数字，省的算出权重和偏移量过快
xs = tf.placeholder(tf.float32, [None, 1])
ys = tf.placeholder(tf.float32, [None, 1]) #定义隐藏层，inputs为xs，大小为一个，经过10个隐藏层，激励函数为tf.nn.relu
l1 = add_layer(xs, 1, 10, activation_function=tf.nn.relu) #输出层，输出层的输入值为l1，输入的值有10个，输出只有一层，激活函数是没有的
prediction = add_layer(l1, 10, 1, activation_function=None) #层虽然定义好了，我们仍旧需要通过训练优化参数，损失函数为，对二者差的平方求和再取平均。
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),
reduction_indices=[1])) #学习效率就等于
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss) init = tf.global_variables_initializer() # 对变量进行初始化，然后会话中开始跑
sess = tf.Session()
sess.run(init) #开始训练 fig=plt.figure() #先生成一个图片框，画板类似的
ax=fig.add_subplot(1,1,1)
#参数 111 的意思是: 显示一个图 或者写成 (1,1,1);参数 349 的意思是：将画布分割成 3 行 4 列，图像画在从左到右从上到下的第 9 块
ax.scatter(x_data,y_data)
plt.show()
就目前而言，先把x_data ,y_data的取值画出来，x_data是在-1到1之间取了300个点，y_data是x_data的平方加上噪音，目前是这样的图：
fig=plt.figure() #先 生成一个图片框，画板类似的
ax=fig.add_subplot(1,1,1)
#参数 111 的意思是: 显示一个图 或者写成 (1,1,1);参数 349 的意思是：将画布分割成 3 行 4 列，图像画在从左到右从上到下的第 9 块
ax.scatter(x_data,y_data)
plt.ion() #为了让画板能被不断更新添加，如果只有一个show（）函数，那就只能画一次
plt.show() for i in range(1000):
# 注意当运算要用到placeholder时，就需要feed_dict这个字典来指定输入
sess.run(train_step, feed_dict={xs: x_data, ys: y_data})
if i % 50 == 0:
# to see the step improvement
#print(sess.run(loss, feed_dict={xs: x_data, ys: y_data}))
try:
ax.lines.remove(lines[0]) #去掉画的第一条线,第一次没有这条线，所以except跳过去了
except Exception:
pass
prediction_value=sess.run(prediction,feed_dict={xs:x_data})
lines=ax.plot(x_data,prediction_value,'r',lw=5) #画一条连续的线，画完了必须要移除，否则画不了下一条
plt.pause(0.1)
虽然不是很懂，但是可以看到训练的结果确实是不断拟合原始数据哦。啦啦。至于为什么不大懂，估计是numpy和matplotlib包以前没用过的原因。
题外话，激活函数是可以变化的哦， tf.nn.sigmoid(x)， tf.nn.relu(x)，tf.nn.tanh(x)， tf.nn.softplus(x)经过本人实践证明，同样的条件下，l1 = add_layer(xs, 1, 10, activation_function=tf.nn.softplus)是拟合最好的。据说它是这个： log(exp( features) + 1)