計劃：<br />
1.學習tensorflow模塊

第一周學習小結：

一、降低損失

1）迭代方法

“模型”部分將一個或多個特征作為輸入，然后返回一個預測 (y') 作為輸出。將模型看成理想模型的話，可用線性公式表示：

w為權重，b為偏差

使用迭代方法,在訓練機器學習模型時，首先對權重和偏差進行初始猜測，然后反復調整這些猜測，直到獲得損失可能最低的權重和偏差為止。

2)梯度下降法

????假設我們有時間和計算資源來計算權重 的所有可能值的損失。可得出所產生的損失與權重的圖形始終是凸形

凸形問題只有一個最低點；即只存在一個斜率正好為 0 的位置。這個最小值就是損失函數(shù)收斂之處。這樣就可以利用梯度下降的方法，來計算最低。
利用正梯度計算時，計算結果得出的權重值始終會走向損失增長的方向，所以需要利用負梯度的計算方法。初始值的取值并不影響結果，所以不需要考慮

二、構建簡單的神經網絡

1）創(chuàng)建神經層layer

2)創(chuàng)建神經網絡的基本結構?

創(chuàng)建隨機輸入?yún)?shù)inputs：?

構建所需的數(shù)據(jù)。 這里的x_data和y_data并不是嚴格的一元二次函數(shù)的關系，因為我們多加了一個noise,這樣看起來會更像真實情況。

使用占位符placeholde定義所需的神經網絡的輸入。1代表輸入只有一個特征

定義神經層。 通常神經層都包括輸入層、隱藏層和輸出層。這里的輸入層只有一個屬性， 所以我們就只有一個輸入，假設我們有十個神經元，即有十個隱藏層

計算

在創(chuàng)建神經層時候定義了Variable變量，所以必須要初始化變量：

?開始訓練:

利用matplotlib觀察訓練結果可知，機器學習逐漸減少誤差，最終形成一條最接近超參數(shù)的曲線