我们学习什么都是学习一个最简单例子开始，有时就叫hello world。
我们学basic, c,c++,python，最简单的程序就是打印显示一个hello world。
我这里参考 https://codelabs.developers.google.com/codelabs/tensorflow-lab1-helloworld
写一个最简单的tensorflow 程序，演示其基本结构。
在开始本文前，你应该在python 上安装好了tensorflow，没有的话先完成好：tensorflow 2 的安装
1：前言
在开始代码前，先理解下机器学习tensorfow 2 的基本概念。一般编程就是输入数据，根据规则，得出结果数据。机器学习有什么不同呢？有输入数据，也有输出数据，我们要寻找规则。然后根据规则预测新的数据结果。
2：机器学习
传统编程：
机器学习：
机器学习目的：
3：代码
最简代码的目的是根据下面数据，得出规则。
| X: |
-1 |
0 |
1 |
2 |
3 |
4 |
| Y: |
-2 |
1 |
4 |
7 |
10 |
13 |
输入基本库
import tensorflow as tf
import numpy as np
from tensorflow import keras定义和编译一个神经网络
最简单的神经网路，1层，1个神经元，一个输入(sharp)
model = tf.keras.Sequential([keras.layers.Dense(units=1, input_shape=[1])])接下来我们将编写代码来编译我们的神经网络。 当我们这样做时，我们必须指定两个函数，一个“loss”和一个“optimizer”。
`mean squared error` 作为 loss `stochastic gradient descent` (sgd) 作为 optimizer。不懂数学意义也没关系。
model.compile(optimizer='sgd', loss='mean_squared_error')提供数据
xs = np.array([-1.0, 0.0, 1.0, 2.0, 3.0, 4.0], dtype=float)
ys = np.array([-2.0, 1.0, 4.0, 7.0, 10.0, 13.0], dtype=float)培训神经网络
model.fit(xs, ys, epochs=500)使用模型，预测数据
print(model.predict([10.0]))程序介绍完成了，给个完整代码
# 导入库
import tensorflow as tf
import numpy as np
from tensorflow import keras
#定义和编译一个神经网络
model = tf.keras.Sequential([keras.layers.Dense(units=1, input_shape=[1])])
# 编译 并指定 loss optimizer
model.compile(optimizer='sgd', loss='mean_squared_error')
#提供数据
xs = np.array([-1.0, 0.0, 1.0, 2.0, 3.0, 4.0], dtype=float)
ys = np.array([-2.0, 1.0, 4.0, 7.0, 10.0, 13.0], dtype=float)
#培训
model.fit(xs, ys, epochs=500)
#预测
print(model.predict([10.0]))运行结果
左边代码，右边运行结果，最后预测值为： 30.996，非常接近线性预估值31
