一、线性回归
1、上手一个例子
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
x_data = np.linspace(-0.5,0.5,200)[:,np.newaxis] #使用numpy的linspace随机生成（-0.5，0.5）均匀分布的一维的200个点，而后面的[]里的前面：表示数据，np.newaxis表示生成一个新的维度，作用使增加它的维度，变成200行一列的数据
noise = np.random.normal(0,0.02,x_data.shape) #生成干扰项，随机值，形状与x_data的形状一样
y_data = np.square(x_data) + noise
x = tf.placeholder(tf.float32,[None,1]) #定义两个placeholder，形状为行不确定，列为一列
y = tf.placeholder(tf.float32,[None,1])
#构建一个神经网络的中间层
Weights_L1 = tf.Variable(tf.random_normal([1,10])) #定义权值，随机赋值，形状是一行十列，一个输入值，10个中间层节点
biases_L1 = tf.Variable(tf.zeros([1,10])) #定义偏置值，初始为0，有十个输出所以有10个偏置值
Wx_plus_b_L1 = tf.matmul(x,Weights_L1) + biases_L1 #计算信号的总和
L1 = tf.nn.tanh(Wx_plus_b_L1) #中间层的输出，用双曲正弦函数作为激励函数，作用于信号的总和
#构建输出层
Weights_L2 = tf.Variable(tf.random_normal([10,1]))
biases_L2 = tf.Variable(tf.zeros([1,1])) #只有一个输出，所以只有一个偏置值
Wx_plus_b_L2 = tf.matmul(L1,Weights_L2) + biases_L2
prediction = tf.nn.tanh(Wx_plus_b_L2) #预测值
#定义代价函数和训练的方法
loss = tf.reduce_mean(tf.square(y - prediction)) #二次代价函数
train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss) #梯度下降法
定义绘画
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
for _ in range(2000):
sess.run(train_step,feed_dict = {x:x_data,y:y_data}) #训练，run train_step，传入x_data和y_data
prediction_value = sess.run(prediction,feed_dict = {x:x_data}) #训练好之后，看一下结果，获得预测值
plt.figure() #打印样本点
plt.scatter(x_data,y_data) #把x_data和y_data传进来
plt.plot(x_data,prediction_value,'r*',lw = 5)
plt.show()
2、补充matplotlib.pyplot的基本用法
Matplotlib 是一个 Python 的 2D绘图库，通过 Matplotlib，开发者可以仅需要几行代码，便可以生成绘图，直方图，功率谱，条形图，错误图，散点图等。
plt.figure(figsize=(w, h)) #创建对象，并指定宽度w高度h
plt.plot([1,2,3,4], [1,4,9,16], 'ro') #指定xy坐标，显示样式
plt.axis([0, 6, 0, 20]) #指定横纵轴 [xmin, xmax, ymin, ymax]
plt.xlabel('Smarts')，plt.ylabel('Probability') #设置 x 轴和 y 轴的文字
plt.title('Histogram of IQ')
plt.text(60, .025, r'$\mu=100,\ \sigma=15$') #设置文字注释
plt.axis('off') #不显示坐标轴
plt.show() #显示图像
fig.saveimg(imgname) #保存图像
import matplotlib.pyplot as plt
plt.plot([1, 17, 8, 9]) #plot函数把数组索引当成了横坐标，默认会把所有的点用直线连接起来
plt.ylabel("some numbers")
plt.show()
import matplotlib.pyplot as plt
plt.plot([2, 3, 4, 5],[1, 17, 8, 9]) #第一个参数指定了横轴的坐标，第二个参数指定纵轴。坐标范围默认由数组中的最小值和最大值决定
plt.show()
import matplotlib.pyplot as plt
plt.plot([1, 2, 3, 4], [1,4,9, 16], 'ro') #离散的点连起来，在plot函数中设置了第三个参数，也就是格式字符串，这几乎是完全照搬MATLAB的，'ro'中r指红色，o只圆圈形状，要绘制跟先前一样的折线图，参数是'-'。
plt.axis([0, 6, 0, 20]) #横轴与纵轴已经变成指定的范围
plt.show()
import numpy as np
import matplotlib.pyplot as plt
t = np.arange(0., 5., 0.2)
plt.plot(t,t, 'r--', t, t**2, 'bs', t, t**3, 'g^') #将多组数据绘制到一幅图中
plt.show()
plt.plot(x,y,'b*',label='aaa') # 'b*'表示蓝色*状线，label是指定义图例
plt.plot(x*2,y,'r--',label='bbb') # 'r--'表示红色虚线，
plt.xlabel('this is x') # 设置横轴标签
plt.ylabel('this is y') # 设置纵轴标签
plt.title('this is title') # 设置标题
plt.legend() # 显示上面定义的图例
plt.show() # 展示图像
plt.subplot(2,1,1) # 子图，（2,1,1）代表，创建2*1的画布，并且定位于画布1，等效于plt.subplot(211)，即去掉逗号
a = plt.subplots() # 返回两个对象 figure ax
figure,ax = plt.subplots()
ax.plot([1,2,3,4,5])
plt.show()
# subplots可以传入参数，几行几列
figure,ax = plt.subplots(2,2) # figure 显示画布，分成2*2的
ax[0][0].plot(x,y)
ax[0][1].plot(x*2,y*2) # 可以分别绘图
matplotlib.pylot.scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, verts=None, edgecolors=None, hold=None, data=None, **kwargs)
#
3、补充关于panda的语法
Pandas 是基于 NumPy 的一种数据处理工具，该工具为了解决数据分析任务而创建。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的函数和方法.。
Pandas 的数据结构：Pandas 主要有 Series（一维数组），DataFrame（二维数组），Panel（三维数组），Panel4D（四维数组），PanelND（更多维数组）等数据结构。
Pandas 中，Series 可以被看作由 1 列数据组成的数据集。
import pandas as pd
arr = [0,1,2,3,4]
s1 = pd.Series(arr)
s1
运行：
0 0
1 1
2 2
3 3
4 4
n = np.random.randn(5)
index = ['a','b','c','d','e']
s2 = pd.Series(n,index)
s2
运行：
a 1.454342
b -0.262966
c 1.923254
d 0.761142
e -0.086887
d = {'a':1 ,'b':2,'c':3,'d':4,'e':5}
s3 = pd.Series(d)
s3
运行：
a 1
b 2
c 3
d 4
e 5
import pandas as pd
s1.index = ['A','B','C','D','E']
s4 = s3.append(s1)
s4 = s4.drop('e') # 删除索引为 e 的值
s4['A'] = 6 # 修改索引为 A 的值 = 6
s4[:3] #对s4的前 3 个数据访问
s4.add(s3) #Series 的加法运算是按照索引计算，如果索引不同则填充为 NaN
与 Sereis 不同，DataFrame 可以存在多列数据
import pandas as pd
data = {'animal': ['cat', 'cat', 'snake', 'dog', 'dog', 'cat', 'snake', 'cat', 'dog', 'dog'],
'age': [2.5, 3, 0.5, np.nan, 5, 2, 4.5, np.nan, 7, 3],
'visits': [1, 3, 2, 3, 2, 3, 1, 1, 2, 1],
'priority': ['yes', 'yes', 'no', 'yes', 'no', 'no', 'no', 'yes', 'no', 'no']}
labels = ['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j']
df2 = pd.DataFrame(data, index=labels)
import pandas as pd
df2.head() # 默认为显示 5 行，可根据需要在括号中填入希望预览的行数
df2.tail(3) #查看 DataFrame 的后 3 行数据
df2.columns #查看 DataFrame 的列名
