理解：tensorflow神经网络框架，主要运算部分在ts在外进行。可以简单的理解为：写出公式----执行会话----送出运算
一.简单矩阵乘法运算
1.张量：多维数组
0阶张量：123
1阶张量：[1,2,3] 数组列表
2阶张量：[[1,2,3],[4,5,6],[7,8,9]] 矩阵3X3
[[1,2,3]] 矩阵1X3
[[1],[2],[3]] 矩阵3X1
n阶张量：[[[[[[[[````````]]]]]]]]右边括号数
2.实现矩阵的乘法：写出公式，执行会话
import tensorflow as tfx = tf.constant([[1,2,3]]) ###定义x矩阵 1x3w = tf.constant([[4],[5],[6]]) ###定义w矩阵 3x1y = tf.matmul(x,w) ###定义矩阵乘法 y = xwwith tf.compat.v1.Session() as sess: ###用with调用会话开始计算 print(sess.run(y)) ###运行结果[[32]] 只有一个值二阶张量（矩阵）
二.神经网络
非线性回归：
- 1.数据准备--特征提取
- 2.前向传播：先写公式，再会话执行
- 3.反向传播：特征数据喂给NN，优化权重w参数
- 4.使用训练好的模型预测和分类
模块导入
import tensorflow as tfimport numpy as npimport matplotlib.pyplot as pltimport tushare as ts
1.数据准备
通过 y=x^2+随机数生成模拟的输入数据
x_data = np.linspace(-0.5, 0.5, 200)[:, np.newaxis]noise = np.random.normal(0, 0.02, x_data.shape)y_data = np.square(x_data) + noise
说明：np.linspace(-0.5,0.5,200)在-0.5到0.5间生成200个等差数列 得到一维数组
np.linspace(-0.5, 0.5, 200)[:, np.newaxis] 将一维数组转化成矩阵
比如：数组 a1= [1 2 3 4 5 ] shape:(5,)
矩阵 a2 = a1[:, np.newaxis] shape:(5,1) 5行1列矩阵
矩阵 a3 = a1[np.newaxis, :] shape:(1,5) [[1 2 3 4 5]] 1行5列矩阵
2.（前向传播）写出公式，搭建NN y = xw+b
输入层：单个神经元的形状shape： 1x1向量（矩阵、这里是单个数字）
中间层：这里设置10个神经元：L1= xw1+b1 所以权重形状 1x10 偏置形状1x10
输出层：输出单个神经元形状shape：1x1向量 L2= L1w2+b2 1x10 10x1 = 1 x 1
定义占位符，用于批量接受输入
# 定义两个placeholderx = tf.compat.v1.placeholder(tf.float32, [None, 1])y = tf.compat.v1.placeholder(tf.float32, [None, 1])
定义隐藏层：L1= softmax(xw1+b1)
# 定义神经网络中间层 单个一维输入（一个神经元） 扩展到10维（10个神经元） W1 = tf.Variable(tf.random.normal([1, 10]))b1 = tf.Variable(tf.zeros([1, 10]))SL1 = tf.matmul(x, W1) + b1L1 = tf.nn.tanh(SL1)
定义输出层：L2 = softmax（L1w2+b2）
# 定义神经网络输出层 10维（10个神经元） 降低至 1维（一个神经元）预测W2 = tf.Variable(tf.random.normal([10, 1]))b2 = tf.Variable(tf.zeros([1, 1]))SL2 = tf.matmul(L1, W2) + b2prediction = tf.nn.tanh(SL2)
关于激活函数：nn.tanh()
3.（反向传播）通过最小化损失函数（代价函数loss）不断优化权重w值
理解：输入x通过神经元计算后输出y，这个y值与实际值y_data的误差最小化
loss = tf.reduce_mean(tf.square(y - prediction))
说明：均方误差：(1/n)*(y-y_data)^2
最小化：通过梯度下降的方法最小化loss值
train_step = tf.compat.v1.train.GradientDescentOptimizer(0.2).minimize(loss)
说明：此代码中的0.2代表学习率，代表梯度下降迭代步移动的大小，学习率也可以设置成变量，随着迭代的进度调整（后面的文章再进行详细分解）
4.执行会话，将NN框架中的公式，打包由底层代码进行运算
4.1初始化变量
权重值w1，w2，偏置值b1、b2在NN框架中只是写出了初始化的公式，并没有真实 赋值，初始化就是运行公式，为权重和偏置进行赋值。
将准备好的输入数据，喂入NN网络，以feed_dict=字典的形式喂入：同一组数据输入，通过10000次训练（自定义，此处为100000）
with tf.compat.v1.Session() as sess: # 变量初始化 sess.run(tf.compat.v1.global_variables_initializer()) for _ in range(10000): sess.run(train_step, feed_dict={x: x_data, y: y_data}) 在会话中可以print（）计算过程中的值：比如 预测值
prediction_value = sess.run(prediction, feed_dict={x: x_data}) 可视化：
# 获得预测值 prediction_value = sess.run(prediction, feed_dict={x: x_data}) # 画图 plt.figure() plt.scatter(x_data, y_data) ###散点图 plt.plot(x_data, prediction_value, 'r-', lw=5) ##曲线图 plt.show()