第3章  TensorFlow基本开发步骤——

以逻辑回归拟合二维数据为例

　　环境搭建好之后，读者一定迫不及待地想试试深度学习的程序了吧。本章就直接将一个例子拿出来，在没有任何基础的前提下，一步一步实现一个简单的神经网络。通过这个实例来理解模型，并了解TensorFlow开发的基本步骤。

3.1  实例1：从一组看似混乱的数据中找出y≈2x的规律

　　本节通过一个简单的逻辑回归实例为读者展示深度学习的神奇。通过对代码的具体步骤，让读者对深度学习有一个直观的印象。

　　实例描述

　　假设有一组数据集，其x和y的对应关系为y≈2x。

　　本实例就是让神经网络学习这些样本，并能够找到其中的规律，即让神经网络能够总结出y≈2x这样的公式。

　　深度学习大概有如下4个步骤：

　　（1）准备数据。

　　（2）搭建模型。

　　（3）迭代训练。

　　（4）使用模型。

　　准备数据阶段一般就是把任务的相关数据收集起来，然后建立网络模型，通过一定的迭代训练让网络学习到收集来的数据特征，形成可用的模型，之后就是使用模型来为我们解决问题。

3.1.1  准备数据

　　这里使用y=2x这个公式来做主体，通过加入一些干扰噪声让它的“等号”变成“约等于”。

　　具体代码如下： 

* 导入头文件，然后生成-1～1之间的100个数作为x，见代码第1～5行。

* 将x乘以2，再加上一个[-1,1]区间的随机数×0.3。即，y=2×x+a×0.3（a属于[-1,1]之间的随机数），见代码第6行。

代码3-1  线性回归

01 import tensorflow as tf

02 import numpy as np

03 import matplotlib.pyplot as plt

04

05 train_X = np.linspace(-1, 1, 100)

06 train_Y = 2 * train_X + np.random.randn(*train_X.shape) * 0.3 # y=2x，

但是加入了噪声

07 #显示模拟数据点

08 plt.plot(train_X, train_Y,

  'ro', label='Original data')

09 plt.legend()

10 plt.show()

?注意：np.random.randn(*train_X.shape)这个代码如果看起来比较奇怪，现在给出解释—它等同于np.random. randn(100)

　　运行上面代码，显示结果如图3-1所示。