关于tensorflow的学习（一）

tensorFlow是一个基于数据流编程（dataflow programming）的符号数学系统，被广泛应用于各类机器学习（machine learning）算法的编程实现，其前身是谷歌的神经网络算法库DistBelief 

Tensorflow拥有多层级结构，可部署于各类服务器、PC终端和网页并支持GPU和TPU高性能数值计算，被广泛应用于谷歌内部的产品开发和各领域的科学研究 。

TensorFlow由谷歌人工智能团队谷歌大脑（Google Brain）开发和维护，拥有包括TensorFlow Hub、TensorFlow Lite、TensorFlow Research Cloud在内的多个项目以及各类应用程序接口（Application Programming Interface, API）。自2015年11月9日起，TensorFlow依据阿帕奇授权协议（Apache 2.0 open source license）开放源代码

 tensorflow的本质就是大规模的运算框架，他的运行可以抽象为一张运算矢量图。

我们首先来看一下有关线性问题的运算：

以 y = w* x +b为例：

求loss，最小二乘法

# y = wx +b
#计算loss
def compute_error_fow_line_given_points(b,w,points):   #b,w是一个初始化的值，points是（可以看作）一个数组
    totalError =0
    for i in range(0,len(points)):
        x=points[i,0]
        y=points[i,1]
        totalError +=(y-(w*x+b))**2
    return totalError/float(len(points))

loss值也可以说是损失值，越小越好

def step_gradient(b_current,w_current,points,learningRate):
    b_gradient = 0
    w_gradient = 0
    N = float(len(points))
    for i in range(0,len(points)):
        x = points[i,0]
        y = points[i,1]
        #grad_b = 2(wx+b-y)
        b_gradient+=(2/N)*((w_current*x+b_current)-y)
        # grad_w = (wx+b-y)*x
        w_gradient+=(2/N)*x*((w_current*x+b_current)-y)
    new_b =b_current-(learningRate*b_gradient)
    new_w =w_current-(learningRate*w_gradient)
    return [new_b,new_w]

这个是求w和b的值，在多次的循环下，w，b会趋近于真实值。

#循环的次数
def gradient(points,staring_b,stating_w,learning_rate,num_iterating):
    b = staring_b
    w = stating_w
    for i in range(num_iterating):
        b,w=step_gradient(b,w,np.array(points),learning_rate)
    return [b,w]

 循环的次数，循环越多，精确值越高。

def run():
    points =np.genfromtxt("数据",delimiter=',')
    learning_rate = 0.0001
    #初始化
    initial_b =0
    initial_w =0
    num_iterations =1000
    print("Staring gradient dscent at b={0},w={1},error={2}"
          .format(initial_b,initial_w,
                  compute_error_fow_line_given_points(initial_b,initial_w,points)))
    print('/n')
    [b,w] = gradient(points,initial_b,initial_w,learning_rate,num_iterations)
    print("After{0} iterations b={1},w={2},error={3}"
          .format(num_iterations,b,w,compute_error_fow_line_given_points(b,w,points)))

运行，从中可以看出各项数据，得出w，b。

线性回归是机器学习中最简单的部分，也是开始，