Tensorflow深度学习过程各数据分布情况汇总（一）

最近在用Tensorflow进行深度学习，发现学习效果不是很理想。总是有很多个别点（数量不在少数）不能够覆盖。决定从最简单的数据分布开始，一点点研究深度学习程序对于各维度、各分布数据下的表现，将图一并列出。

1. 只有一个输入，输出与输入呈线性分布（y=x）的情况。如下图（蓝色代表原始数据分布，红色代表预测数据分布）：

2. 只有一个输入，输出与输入呈线性分布（y=x），但是有1个数据远离其他数据的情况：

3. 只有一个输入，输出与输入呈线性分布（y=x），但是有1个数据不满足线性分布的情况：

由以上各示例可以总结出：

1. 所谓深度学习，并不是万能的，也只是向绝大多数点拟合而已（这里仅仅是一位数据，而且是最简单的y=x线性关系）；

2. 实际上多次训练得到的拟合曲线并不一致，有时甚至完全不能拟合（一条直线），跟Weight和bias的初始值是密切相关的（程序中采用的是随机值）。