tensorflow学习第一课，以下代码，在Spyder+window10环境上编译运行。
一、源码与注释
#1、导入tensorflow库
import tensorflow as tf
#2、定义训练次数，后面调试时修改
TRAIN_TIMES = 100
#3、定义输入输出数据
x = tf.constant([[1], [2], [3], [4]], dtype=tf.float32)
y_true = tf.constant([[0], [-1], [-2], [-3]], dtype=tf.float32)
#4、定义1个神经元的全连接网络
linear_model = tf.layers.Dense(units=1)
#5、通过步骤4定义的全神经网络预测y_pred值
y_pred = linear_model(x)
#6、定义损失函数，使用均方误差。
loss = tf.losses.mean_squared_error(labels=y_true, predictions=y_pred)
#7、使用梯度下降法优化网络参数
optimizer = tf.train.GradientDescentOptimizer(0.01)
train = optimizer.minimize(loss)
#8、初始化参数
init = tf.global_variables_initializer()
#9、创建会话，初始化层，必须调用sess.run(init)，否则会FailedPreconditionError错误
sess = tf.Session()
sess.run(init)
#10、执行层
loss_value = 0
for i in range(TRAIN_TIMES):
_, loss_value = sess.run((train, loss))
#11、打印最终的预测值和均方误差
print("训练次数：{0}，训练误差：{1}".format(TRAIN_TIMES,loss_value))
for i in range(4):
print("第{0}个样本值：[{1}],第1个预测值：{2}".format(i,0-i,sess.run(y_pred)[i]))
二、运行结果与分析
1、TRAIN_TIMES = 100
训练次数：100，训练误差：0.05641983449459076
第0个样本值：[0],第1个预测值：[-0.38238698]
第1个样本值：[-1],第1个预测值：[-1.1852927]
第2个样本值：[-2],第1个预测值：[-1.9881985]
第3个样本值：[-3],第1个预测值：[-2.791104]
2、将TRAIN_TIMES改为1000，执行结果如下：
训练次数：1000，训练误差：0.0006950039532966912
第0个样本值：[0],第1个预测值：[-0.04244047]
第1个样本值：[-1],第1个预测值：[-1.0205653]
第2个样本值：[-2],第1个预测值：[-1.99869]
第3个样本值：[-3],第1个预测值：[-2.9768147]
很显然，误差小很多了
3、将TRAIN_TIMES改为10000试下，几乎已经接近样本实际值了。
训练次数：10000，训练误差：2.205258198273441e-11
第0个样本值：[0],第1个预测值：[-7.4505806e-06]
第1个样本值：[-1],第1个预测值：[-1.0000035]
第2个样本值：[-2],第1个预测值：[-1.9999995]
第3个样本值：[-3],第1个预测值：[-2.9999955]