基本概念
基于TensorFlow的神经网络：用张量表示数据，用计算图搭建神经网络，用会话执行计算图，优化线上的权重（参数），得到模型。
张量(tensor)：多维数组（列表）
阶：张量的维数
维数 阶 名字 例子
0-D 0 标量 scalar s=123
1-D 1 向量 vector v=[1,2,3]
2-D 2 矩阵 matrix m=[[1,2,3],[4,5,6],[7,8,9]]
n-D 3 张量 tensor t=[[[.........n个
张量可以表示0阶到n阶数组（列表）
张量加法：
```
import tensorflow as tf
result = a + b
print(result)
```
#结果显示：Tensor("add:0", shape=(2,), dtype=float32)
| | | | |
节点名 第0个 维 一维 数据类型
输出 度 数组
长度2
计算图只描述了运算过程，不计算运算结果
---------------------------------------------------------
计算图（Graph）:搭建神经网络的计算过程，只搭建，不运算。
会话（Senssion）：执行计算图中的节点运算。
参数：即神经元线上的权重W，用变量表示，随机给初值。
| | | | |
正态分布 产生2*3矩阵 标准差为2 均值为0 随机种子
神经网络的实现过程：
1、准备数据集，提取特征，作为输入喂给神经网络
2、搭建NN结构，从输入到输出（先搭建计算图，再用会话执行）
（NN前向传播算法 --> 计算输出）
3、大量特征数据喂给NN，迭代优化NN参数
（NN反向传播算法 --> 优化参数训练模型）
4、使用训练好的模型预测和分类
--------------------------------------------------------------------------------------
一、前向传播 --> 搭建模型，实现推理（以全连接网络为例）
eg. 生产一批零件将体积X1和重量X2为特征输入NN，通过NN后输出一个数值。
变量初始化、计算图节点运算都要用会话（with结构）实现：
with tf.Session() as sess:
sess.run()
喂一组数据：
喂多组数据：
二、反向传播 --> 训练模型参数，在所有参数上用梯度下降，使NN模型在训练数据上的损失函数最小
损失函数（loss）：预测值（y）与已知答案（y_）的差距
均方误差MSE：
反向传播训练方法：以减小loss值为优化目标
学习率：决定参数每次更新的幅度
搭建神经网络：准备、前传、后传、迭代
0 准备
import
常量定义
生成数据集
1 前向传播：定义输入、参数、刷出
x=
y_=
w1=
w2=
a=
y=
2 反向传播：定义损失函数、反向传播方法
loss=
train_step=
3 生成会话，训练STEPS轮
sess_run(init_op)
STEPS=3000
for i in range(STEPS):
start=
end=
eg:
'''
#coding：utf-8
import tensorflow as tf
import numpy as np
BATCH_SIZE = 8 #一次喂入神经网络多少组数据
seed = 23455 #
#基于seed产生随机数
rng = np.random.RandomState(seed)
#随机数返回32行2列的矩阵 表示32组 体积和体重 作为输入数据集
#从X这个32行2列的矩阵中 取出一行 判断如果和小于1 就给Y赋值1 如果和不小于1 则给Y赋值0
#Y作为输入数据集的标签（正确答案） 人为给出零件的合格与否 1合格 0不合格
Y = [[int(x0 + x1 < 1)] for (x0,x1) in X]
#上面一行代码类似于下面
#for (x0,x1) in X:
# if x0+x1<1:
# Y=1
# else:
# Y=0
print("X:\n",X)
print("Y:\n",Y)
#1定义神经网络的输入、参数、输出，定义前向传播过程
#前向传播过程描述
#2定义损失函数及反向传播方法。
#3生成会话，训练STEPS轮
#输出目前（未经训练）的参数取值
print("\n")
#训练模型
STEPS = 3000 #训练3000轮
for i in range(STEPS):
start = (i*BATCH_SIZE) % 32
end = start + BATCH_SIZE
if i % 500 == 0:
print("After %d training step(s),loss on all data is %g" % (i, total_loss))
#输出训练后的参数取值
print("\n")
'''