上一篇博客我们已经安装了TensorFlow，有很多人可能会对机器学习感到害怕，但其实有好多原理我们现在不需要懂，我们先搞清楚TensorFlow有什么作用就行，那么下面我通过一个小的案例来说明TensorFlow是怎么使用的
一.概率学中的逆概率
什么是逆概率
- 我们肯定知道正概率，举个例子就是，箱子里有5个黑球5个白球，那你随机拿到黑球和白球的概率都是50%，那现在我不知道箱子里有多少个黑球白球，那我通过不断的拿球应该如何确定箱子里有多少个黑球白球呢，这就是出名的逆概率
- 其实机器学习很多时候也就是逆概率的问题，我有大量现实例子的情况下，让机器从这些例子中找到共同的特征，例如给一万张猫的图片给机器学习，然后找到共同的特征（两只耳朵，四只脚，有胡须，有毛，有尾巴等特征）
根据逆概率的概念我们再举个其他场景
- y=Ax+B（A、B是常量），这是一条非常简单的数学方程式，有小学基础的人应该都知道。
- 我现在有很多的x和y值，所以问题就是如何通过这些x和y值来得到A和B的值？
那我下面就用TensorFlow来解决这个问题！
二、简单的案例
一些基础信息：
1.系统是ubuntu 16.04 LTS
2.我用的是sublime text3来写的代码
3.Python用的是3.5
4.TensorFlow用的是0.12.0
实例代码
#导入依赖库
import numpy as np #这是Python的一种开源的数值计算扩展，非常强大
import tensorflow as tf #导入tensorflow
##构造数据##
x_data=np.random.rand(100).astype(np.float32) #随机生成100个类型为float32的值
y_data=x_data*0.1+0.3 #定义方程式y=x_data*A+B
##-------##
##建立TensorFlow神经计算结构##
weight=tf.Variable(tf.random_uniform([1],-1.0,1.0))
biases=tf.Variable(tf.zeros([1]))
y=weight*x_data+biases
##-------##
loss=tf.reduce_mean(tf.square(y-y_data)) #判断与正确值的差距
optimizer=tf.train.GradientDescentOptimizer(0.5) #根据差距进行反向传播修正参数
train=optimizer.minimize(loss) #建立训练器
init=tf.initialize_all_variables() #初始化TensorFlow训练结构
sess=tf.Session() #建立TensorFlow训练会话
sess.run(init) #将训练结构装载到会话中
for step in range(400): #循环训练400次
sess.run(train) #使用训练器根据训练结构进行训练
if step%20==0: #每20次打印一次训练结果
print(step,sess.run(weight),sess.run(biases)) #训练次数，A值，B值
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
最后的结果图：
写在最后的话
当然，这只是一个非常简单的案例，但是作为TensorFlow的入门非常的合适，很多人都一直在看理论，而不实践，这对与程序开发来说是致命了，你只有实践了才会有更深的理解，而且当程序运行成功会给你带来很大的信心，支撑着你继续走下去。