深度学习笔记（一）逻辑回归拟合二维数据学习Tensorflow开发

• Tensorflow用法简介  
  

一个标准的模型结构分为输入、中间节点、输出三大部分，如何让这三个部分连通起来学习规则并进行计算，这便是Tensorflow框架所做的事。Tensorflow将中间节点及节点之间的运算关系（OPS）定义在自己内部的一个“图”内，具体的运算全部通过一个“会话（session）”进行。在会话中，任何一个节点都可以通过会话的run函数进行计算，得到该节点的数据值。

    “图”是静态的，它只是将关系搭建在一块，不会进行任何运算；而会话session是动态的，只有启动会话才会将数据流向“图”，并按照图中的关系运算并将结果从图中流出。

      模型内部的数据流向分为正向和反向（其实也就是BP神经网络）：

      正向即从数据输入开始，依次进行各节点定义的运算，一直运算到输出。

      反向，只有在训练场景才会用到。先从最后一个输出节点开始，计算预期结果和真实输出的误差，这样会形成一个用学习参数表示误差的方程，然后对方程中的每个参数求导，得到其梯度修正值，同时反推出上一层的修正值，这样一直往前推，就传到正向的第一个节点了。

• 运行代码
  

    以下是模拟y=