初步使用TensorFlow

TensorFlow是进行深度学习的主要工具，在安装好TensorFlow之后，进行初步使用(我学习的资料是b站上一个叫做鲜克的人发布的视频，大家可以自行去找资料)

一、用TensorFlow来处理一个简单的线性回归预测问题

首先我们先来随机生成一系列的数据点，用做我们学习的数据集

```python
#初识TensorFlow 用它来做一个简单的线性回归问题
#生成一个容量为1000的随机数数据集
import tensorflow as tf
import matplotlib.pyplot as plt
import numpy as np
#指定数据大小
num_points=1000
#做一个存放数据集的向量集
vector_set=[]
#循环产生随机数，并存在在向量集中去
for i in range(num_points):
    x=np.random.normal(0.0,0.5)
    y=0.3*x+0.9+np.random.normal(0.0,0.03)
    vector_set.append([x,y])
#分隔x与y 并画出散点图
x_data=[v[0] for v in vector_set]
y_data=[v[1] for v in vector_set]
plt.scatter(x_data,y_data,c='r')
plt.show()
``

接下来我们用TensorFlow来预测线性回归方程

#先指定参数W和b，并且为W和b随机赋值
#tf.Variable(type(向量的大小，1代表仅仅为1个数字),minval,maxval,name)
W=tf.Variable(tf.random.normal([1],-1,1),name='W')
b=tf.Variable(tf.random.normal([1],0,0),name='b')
y=W*x_data+b
#定义损失函数
loss=tf.reduce_mean(tf.square(y-y_data),name='loss')
#选择参数优化算法 这里选择梯度下降 设置步长0.4
optimizer=tf.compat.v1.train.GradientDescentOptimizer(0.4)
#训练方法使用optimizer最小化损失函数来制定
train=optimizer.minimize(loss,name='train')
sess=tf.compat.v1.Session()
init=tf.compat.v1.global_variables_initializer()
sess.run(init)
print('W:',sess.run(W),'b:',sess.run(b),'loss',sess.run(loss))
for step in range(30):
    sess.run(train)
    print('W:',sess.run(W),'b:',sess.run(b),'loss',sess.run(loss))

将我们预测得到的回归方程呈现在散点图上

plt.scatter(x_data,y_data,c='r')
plt.plot(x_data,sess.run(W)*x_data+sess.run(b))

二、容易产生的问题与解决

因为版本升级所产生的问题。如果选择优化算法时，不进行版本转换就会报错没有该模块，目前解决办法就是转换v1版本，有其他解决办法，欢迎大家提供