第一章 TensorFlow开发环境的配置

开发环境：

程序编辑调试工具：Jupyter
机器学习框架：TensorFlow
Python运行环境：安装配置好python

前提：配置安装好Anaconda，
1.打开Anaconda软件，新建环境中创建一个textenv环境，点击create，创建完成后搜索tensorflow安装。

2.安装完成后，点击Home,安装Jupyterlab，安装完成后运行Jupyterlab。


3.使用Jupyterlab
点击左上角File ——> New ——>Notebook

使用说明：
每个格子就是书写python代码，每个格子又称一个ceil。
Jupyter快捷方式：
执行：Control +Enter
*星号表示正在执行，星号消失表示执行完毕
按A键可以添加一格，增加一行提示

比如查看tensorflow的版本：

import tensorflow as tf
print(tf._version_)

版本对应关系：
tensorflow=2.3.0
numpy1.18.5
matplotlib3.3.3
seaborn0.9.0
pandas1.1.5
scikit-learn==0.24.2

在Anaconda自创的环境下安装指定版本的包（numpy, tensorflow, gym）：
以安装numpy 1.18.5为例，打开 Anaconda Prompt (别看错了，不是Anaconda Powershell Prompt)：
先切换到rl环境，

conda env list
activate textenv #进入指定的textenv环境中配置

然后输入运行numpy。

conda install numpy==1.18.5

系统列出了numpy 1.18.5和其所有依赖的包，输入y确认安装即可。

创建一个神经元网络代码实现：

构造只有一个神经元的网络来了解机器学习的过程，方程是Y=2X-1

%config IPCompleter.greedy=True #加一行这个，意思是按住TAB键代码会自动提示。

from tensorflow import keras
import numpy as np
#构建模型
model=keras.Sequential([keras.layers.Dense(units=1,input_shape=[1])])#使用keras中的layers代表一层神经元，units说明这一层中只有一个，input_shape指输入值x也是只有一个。
model.compile(optimizer='sgd',loss='mean_squared_error')#指定模型的loss fuction，就是根据什么来检测它的损失函数，optimizer指定优化方式。
#准备训练数据
xs=np.array([-1.0,0.0,1.0,2.0,3.0,4.0],dtype=float)
ys=np.array([-3.0,-1.0,1.0,3.0,5.0,7.0],dtype=float)
#训练模型，指定训练次数500次
model.fit(xs,ys,epochs=500)
#使用模型,预测10的结果
print(model.predict([10.0])#2*10-1

效果如下：
总过运行500次，loss越来越小，说明学习效果很好。


检测模型效果：

model.predict([10.0])

输出结果+数据通过机器学习，总结出规则，最后得到神经元网络模型。