使用tensorflow进行机器学习的一般流程

1.构建模型

构建模型是在实际进行一个项目之前要进行的工作，相当于设计，要针对用户需求设计合适的预测模型和优化模型。

1.1构建预测模型

我们把机器学习运用到实际的工作中时，是期望机器可以具有一些人才有的智能。简单的说，输入是一个集合，输出也是一个集合，我们要建立输入集合与输出集合之间的关系模型，使系统接受到一个输入之后，可以经过这个关系模型的计算，映射到输出集合上的一个点。
而把输入和输出关联起来的这个关系模型，就是我们要创建的预测模型。这个模型可以很简单，比如，就是建立了

y=W*x+b

这样一个线性模型，也可以是比较复杂的模型。比如我们常用的包含多个隐藏层的卷积神经网络模型，都是建立起了输入与输出之间的一个关系，让我们接受到一个新的输入时，可以根据输入算出一个输出。

1.2构建优化模型

构建出预测模型之后，其实这个模型什么事也干不了，他就是我们随便写的一个表示输出与输入关系的函数，但在初始情况下，他并不能很好的完成这个任务。下面我们要做的事情就是用正确的数据带入这个函数，求出函数的参数，比如上面公式中的W和b。因为每一对正确的数据带进去都会得到一个参数，那么到底我们选择哪一个呢，这就是我们要构建的优化模型，也就是我们常说的损失函数，用一种在数学上可计算的方式，去逼近我们理想中的那个参数。
比如：

cross_entropy = -tf.reduce_sum(y * tf.