在TensorFlow首先要定義神經網絡的結構如圖1，然後再把資料放入結構當中去運算和訓練。
圖1 Tensorflow處理結構
因為TensorFlow是採用資料流程圖（data flow graphs）來計算，所以首先我們得創建一個資料流程圖，然後再將我們的資料（資料以張量（tensor）的形式存在）放在資料流程圖中計算。節點（節點）在圖1中表示數學操作，圖1中的線則表示在數組間相互聯繫的多維資料組，即張量（Tensor）。訓練模型時tensor會不斷的從資料流程圖中的一個流程圖流到另一節點，這就是TensorFlow名字的由來。
例子:
創建資料:
圖2創建資料
首先如圖2，我們這次需要加載tensorflow和numpy兩個模塊，並使用numpy來創建我們的資料，接著，我們用tf.Variable來創建描述y的參數。我們可以把y_data = x_data * 0.1 + 0.3想像成y =重量(Weights)* x +偏差(Biases)，然後神經網絡也就是學著把重量變成0.1，偏差變成0.3
創建結構:
圖3創建結構
tf.Variable這代表創建變數。創建Weights是一個一維陣列的變數，而這個一維變數的數值為-1到1之間。再創建biases變數而初始化為零。再定義y = Weights * x_data + biases，而y是神經網路預測的值，則圖2的y_data是實際的值，Weights相當於圖2的0.1，biases相當於圖2的0.3。
計算誤差:
圖4計算誤差
接着就是計算圖3的y 和圖2的y_data的誤差。
反向傳遞誤差:
圖5反向傳遞誤差
反向傳遞誤差的工作就教給optimizer了，我們使用的誤差傳遞方法是梯度下降法：Gradient Descent讓我們使用優化器來進行參數的更新。
訓練:
圖6初始化變數
目前為止，我們只是建立了神經網絡的結構，還沒有使用這個結構。在使用這個結構之前，我們必須先初始化所有之前定義的變量，所以這一步是很重要的！
執行程式:
圖7執行程式
然後，我們再創建會話(session)。Session可以想像成一個指標，指向init來完成初始化。之後再指向train，開始訓練神經網路。
圖8執行結果
然後每二十步就會列印出結果如圖8。
機器學習其實就是讓電腦不斷的嘗試模擬已知的數據。他能知道自己模擬的數據離真實的數據差異有多遠，然後不斷地改進自己模擬的參數，提高模擬的相似度。
如果紅色曲線的表達式為：y = a * x + b其中x代表輸入，y代表輸出，a和b是神經網絡訓練的參數。模型訓練好了以後，a和b的值將會被確定，例如a = 0.5，b = 2，當我們再輸入x = 3時，我們的模型就會輸出0.5 * 3 + 2的結果。模型通過學習數據，獲得能表達數據的參數，然後對我們另外給的數據再做出的預測。
在圖9中藍色離散點是我們的數據點，黑色虛線是神經網路初始的模擬曲線，紅線是通過神經網絡算法模擬出來的曲線。
神經網絡在幹嘛呢?它是對我們資料點的一個近似表達。在開始階段如圖9，黑色虛線的表達能力不強，誤差很大。不過通過不斷的學習，預測誤差將會被降低。所以學習到後來。如圖9紅線也能近似表達出數據的樣子，這就是神經網路的工作了。
圖9 Fitting parameter
評論