神经网络深度学习（线性回归）

神经网络简介
神经网络就是可以通过收集大量的数据集，然后将这些数据集进行训练后得到几个较为准确的参数，因为我们这里用到的是较基础的线性回归方程，训练数据集后会得到两个参数，当损失率越小，那么测试集得到的数据就越准确。

线性回归方程大家一定不陌生吧，在神经网络深度学习中线性回归方程是需要掌握的最基础的式子，就是：y=wx+b,其中w,b是未知的。
回归问题可以大致分为三类：
Liner Regression 线性回归方程分类
Logistic Regression 二分类，结果只有两种可能
Classification 多分类

训练数据集，得到较准确参数原理
这里我们先设一个线性回归方程的模型，y=wx+b，然后，w,b的话初始值可以将其均赋值为0即可。
训练数据集时，我们可以先用均方误差算出loss损失函数：

 def point(b,w,points):
    loss=0
    for i in range(0,len(points)):
        x=points[i][0]
        y=points[i][1]
        loss+=((w*x+b)-y)**2
    return loss/len(points)

w=w-lr*(w对loss求偏导)
b同上
然后再让w,b进行多次迭代，求出w,b的最优值。
接下来，得到最优参数后我们就可以用测试集来对它进行检验即可。