本文提供了代碼， 代碼並不完整， 但都會指導你如何一步步地去達到自己的 目的。 代碼很簡單， 瞭解機器學習的都能跟隨指導去完成任務。 目前相關文章都是為機器學習入門者而寫。
import pickle as p
import numpy as np
import tensorflow as tf
import random
import lab1_utils as utils
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
TensorFlow入門什麼是計算圖？
TensorFlow中的一切操作都是建立一個計算圖。 什麼是計算圖？ 它只是一系列以某種順序發生的數學運算。 這裡是一個簡單的計算圖的例子：
此圖需要2個輸入（a， b）並計算輸出（e）。 圖中的每個節點都是一個操作， 它接受一些輸入， 執行一些計算， 並將其輸出傳遞給另一個節點。
我們可以通過以下方式在TensorFlow中創建此計算圖：
a = tf.placeholder(tf.float32)
b = tf.placeholder(tf.float32)
c = tf.add(a, b)
d = tf.sub(b, 1)
e = tf.mul(c, d)
Tensorflow使用tf.placeholder()來處理模型的輸入。 這就像在餐廳預訂: 餐廳為5人預訂了一個地方， 但你和你朋友可以自由任選其中座位。 tf.placeholder()允許你指定某些即將輸入的任意形狀和類型的輸入。 只有當你運行計算圖時， 你才能提供此輸入資料的值。 你可以這樣運行這個簡單的計算圖：
with tf.Session() as session:
a_data, b_data = 3.0, 6.0
feed_dict = {a: a_data, b: b_data}
output = session.run([e], feed_dict=feed_dict)
print(output) # 45.0
我們使用feed_dict將實際輸入資料傳遞到圖形中。 我們使用session.run()從圖中的結點c獲取輸出。 因為e在圖的結尾， 所以結束運行整個圖並返回數字45 - cool！
在Tensorflow中實現神經網路
我們可以使用計算圖定義TensorFlow中的神經網路。 這是一個非常簡單的神經網路的例子（單層感知器）：
此圖接受輸入（x）並計算輸出（out）。 它與我們在分類演算法中學到的一樣， out = sigmoid（W * x + b）。
我們可以通過以下方式在TensorFlow中創建此計算圖：
n_input_nodes = 2
n_output_nodes = 1
x = tf.placeholder(tf.float32, (None, n_input_nodes))
W = tf.Variable(tf.ones((n_input_nodes, n_output_nodes)), dtype=tf.float32)
b = tf.Variable(tf.zeros(n_output_nodes), dtype=tf.float32)
'''TODO: Define the operation for z (use tf.matmul to multiply W and x).'''
z = #todo
'''TODO: Define the operation for out (use tf.sigmoid).'''
out = #todo
要運行此圖， 我們再次使用session.run()和通過feed_dict輸入資料。
test_input = [[0.5, 0.5]]
with tf.Session() as session:
tf.global_variables_initializer().run(session=session)
feed_dict = {x: test_input}
output = session.run([out], feed_dict=feed_dict)
print(output[0]) # This should output 0.73105. If not, double-check your code above
當我們需要的時候， 我們還可以設置tf.Variable的值。 下面是一個例子， 我們自己設置tf.Variable的值。 我們創建了一個分類資料集， 供你使用， 並讓你能夠查看決策邊界隨模型參數（權重和偏差）如何變化。 去嘗試獲取所有的正確資料點（綠色）！
''TODO: manually optimize weight_values and bias_value to classify points'''
# Modify weight_values, bias_value in the above code to adjust the decision boundary
# See if you can classify all the points correctly (all markers green)
weight_values = np.array([[-0.1], [0.2]]) # TODO change values and re-run
bias_value = np.array([[0.5]]) #TODO change values and re-run
# A pretty good boundary is made with:
# weight_values = np.array([[0.03], [0.12]])
# bias_value = np.array([[-0.5]])
x = tf.placeholder(tf.float32, (None, 2), name='x')
W = tf.Variable(weight_values, name='W', dtype=tf.float32)
b = tf.Variable(bias_value, name='b', dtype=tf.float32)
z = tf.matmul(x, W) + b
out = tf.sigmoid(z)
data = np.array([[2, 7], [1, 7], [3, 1], [3, 3], [4, 3], [4, 6], [6, 5], [7, 7], [7, 5], [2, 4], [2, 2]])
y = np.array([1, 1, 0, 0, 0, 1, 1, 1, 1, 0, 0])
with tf.Session() as session:
tf.global_variables_initializer().run(session=session)
utils.classify_and_plot(data, y, x, out, session)
下一篇文章我將介紹如何使用TensorFlow進行情感分析！