本文以逻辑回归拟合二维数据为例进行演示tensorflow的基本开发步骤。
实例：从一组看似混乱的数据中找出y≈2x的规律
实例描述：
假设有一组数据集，其x和y的对应关系为y≈2x。
深度学习大概有如下四个步骤：
（1） 准备数据
（2） 搭建模型
（3） 迭代训练
（4） 使用模型
1、准备数据
这里使用y=2x这个公式来作为主体，通过加入一些干扰噪声让“=”变成“≈”
具体代码实现：
#导入所需要的包
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
#生成模拟数据
train_X = np.linspace(-1, 1, 100) #在[-1,1]之间生成100个数作为x
train_Y = 2 * train_X + np.random.randn(*train_X.shape) * 0.3 # 将x乘以2，再加上一个[-1,1]区间的随机数*0.3作为加入的噪声
#通过画散点图显示产生的模拟数据点
plt.plot(train_X, train_Y, 'ro', label='Original data') #画出散点图
plt.legend()#使上述代码产生效果：如图例的名称
plt.show()
2、搭建模型
模型分为两个方向：正向和反向。
（1）正向模型创建
使用下面的代码创建单个神经元的模型
# X,Y为占位符
X = tf.placeholder("float") # 代表x的输入
Y = tf.placeholder("float") # 代表对应的真实值y
# 模型参数
W = tf.Variable(tf.random_normal([1]), name="weight") # w初始化为[-1,1]的随机数，形状为一维的数字
b = tf.Variable(tf.zeros([1]), name="bias") # b的初始化是0，形状为一维的数字
# 前向结构
z = tf.multiply(X, W)+ b # x*w+b
（2）反向模型创建
神经网络训练过程的数据流向有两个方向（正向和反向），正向生成预测值，与观测值对比差距，再反向调整其中的参数，接着再次正向生成预测值与观测值对比，一直如此循环下去，直到将参数调整为合适值。
反向传播往往需要引入一些算法来实现对参数的正确调整。
#反向优化
cost =tf.reduce_mean( tf.square(Y - z)) #cost是生成的预测值与真实值的平方差
learning_rate = 0.01 #设定学习率为0.01
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost) #GradientDescentOptimizer()函数是一个封装好的梯度下降算法
PS：
- 学习率的值一般小于1。这个值越大，表示调整的速度越大，但是不精确；值越小，表示调整的精度越高，但是速度慢。所以学习率的确定需要根据实际情况而定。
- 梯度下降算法简单理解就是它会按照学习参数的速度来改变学习率。