TensorFlow小试牛刀：一个实用案例

一.概率学中的逆概率

什么是逆概率

我们肯定知道正概率，举个例子就是，箱子里有5个黑球5个白球，那你随机拿到黑球和白球的概率都是50%，那现在我不知道箱子里有多少个黑球白球，那我通过不断的拿球应该如何确定箱子里有多少个黑球白球呢，这就是出名的逆概率
其实机器学习很多时候也就是逆概率的问题，我有大量现实例子的情况下，让机器从这些例子中找到共同的特征，例如给一万张猫的图片给机器学习，然后找到共同的特征（两只耳朵，四只脚，有胡须，有毛，有尾巴等特征）
根据逆概率的概念我们再举个其他场景
y=Ax+B（A、B是常量），这是一条非常简单的数学方程式，有小学基础的人应该都知道。
我现在有很多的x和y值，所以问题就是如何通过这些x和y值来得到A和B的值？

那我下面就用TensorFlow来解决这个问题！

二、简单的案例

一些基础信息：

1.系统是ubuntu 16.04 LTS 2.我用的是sublime text3来写的代码 3.Python用的是3.5 4.TensorFlow用的是0.12.0

实例代码

#导入依赖库import numpy as np #这是Python的一种开源的数值计算扩展，非常强大import tensorflow as tf  
#导入tensorflow ##构造数据##x_data=np.random.rand(100).astype(np.float32) 
#随机生成100个类型为float32的值y_data=x_data*0.1+0.3  #定义方程式y=x_data*A+B##-------
####建立TensorFlow神经计算结构##weight=tf.Variable(tf.random_uniform([1],-1.0,1.0)) 
biases=tf.Variable(tf.zeros([1]))     
y=weight*x_data+biases##-------##loss=tf.reduce_mean(tf.square(y-y_data))  
#判断与正确值的差距optimizer=tf.train.GradientDescentOptimizer(0.5) 
#根据差距进行反向传播修正参数train=optimizer.minimize(loss) 
#建立训练器init=tf.initialize_all_variables() 
#初始化TensorFlow训练结构sess=tf.Session()  
#建立TensorFlow训练会话sess.run(init)     
#将训练结构装载到会话中for  step in range(400): 
#循环训练400次     sess.run(train)  
#使用训练器根据训练结构进行训练     
if  step%20==0:  #每20次打印一次训练结果        
print(step,sess.run(weight),sess.run(biases)) 
#训练次数，A值，B值1.2.3.4.5.6.7.8.9.10.11.12.13.14.15.16.17.18.19.20.21.22.23.24.25.26.27.28.

最后的结果图：

使用tensorflow的一个小案例_tensorflow