初识TensorFlow，如何深入理解应用？

了解引入的需要神经网络解决的问题 学习用神经网络的基本结构、表达方式和编程实现 学习训练神经网络的基本方法 三好学生成绩问题 总分 = 德育分 * 60% + 智育分 * 60% + 体育分 * 60% 假设家长不知道这个规则，已知： 学校一定是以德育分、智育分和体育分三项分数的总分来确定三好学生的 计算总分时，三项分数应该有各自的权重系数 各自孩子的三项分数都已经知道，总分也已经知道 经过家长们的分析，只有三项分数各自乘以的权重系数是未知的。问题演变成求解方程：w1x + w2y + w3z = A 中的三个 w 即权重。其中 x、y、z、A 分别对应几位学生的德育分、智育分、体育分和总分。 两个方程式解三个未知数无法求解： 90w1 + 80w2 + 70w3 = 85 98w1 + 95w2 + 87w3 = 96 搭建对应的网络神经 神经网络模型图的一般约定： 神经网络图一般包含一个输入层、一个或多个隐藏层，以及一个输出层 输入层是描逑输入数据的形态的（输入节点） 隐藏层是描迒神经网络模型结构中最重要的部分隐藏层可以有多个；每一层有一个或多个神经元（神经元节点/节点）；每个节点接收上层的数据并进行运算向下层输出数据（计算操作/操作） 输出层一般是神经网络的最后一层，包含一个或多个输出节点 神经网络的代码： import tensorflow as tf x1 = tf.placeholder(dtype = tf.float32) x2 = tf.placeholder(dtype = tf.float32) x3 = tf.placeholder(dtype = tf.float32) w1 = tf.Variable(0.1, dtype = tf.float32) w2 = tf.Variable(0.1, dtype = tf.float32) w3 = tf.Variable(0.1, dtype = tf.float32) n1 = x1 * w1 n2 = x2 * w2 n3 = x3 * w3 y = n1 + n2 + n3 sess = tf.Session() init = tf.global_variable_initializer() sess.run(init) result = sess.run([x1, x2, x3, w1, w2, w3, y], feed_dict={x1: 90, x2: 80, x3: 70}) print(result) x1 = tf.placeholder(dtype = tf.float32) x2 = tf.placeholder(dtype = tf.float32) x3 = tf.placeholder(dtype = tf.float32) 通过 tf.placeholder 定义三个占位符（placeholder），作为神经网络的输入节点，来准备分别接收德育、智育、体育三门分数作为神经网络的输入。dtype 是 data type 的缩写，dtype = tf.float3 是命令参数，tf.float32 代表 32 位小数。 w1 = tf.Variable(0.1, dtype = tf.float32) w2 = tf.Variable(0.1, dtype = tf.float32) w3 = tf.Variable(0.1, dtype = tf.float32) 通过 tf.Variable() 定义三个可变参数。 n1 = x1 * w1 n2 = x2 * w2 n3 = x3 * w3 n1、n2、n3 是三个隐藏层节点，实际上是他们的计算算式。 y = n1 + n2 + n3 定义输出节点 y，也就是总分的计算公式（加权求和）。至此，神经网络模型的定义完成。 sess = tf.Session() 定义神经网络的会话对象 init = tf.global_variable_initializer() tf.global_variable_initializer() 返回专门用于初始化可变参数的对象。 sess.run(init) 初始化所有的可变参数。 result = sess.run([x1, x2, x3, w1, w2, w3, y], feed_dict={x1: 90, x2: 80, x3: 70}) print(result) [x1, x2, x3, w1, w2, w3, y] 为要查看的结果项，feed_dict={x1: 90, x2: 80, x3: 70} 为输入的数据。