本笔记配套于coursera上deeplearning.ai的课程Introduction to TensorFlow for Artificial Intelligence, Machine Learning, and Deep Learning，下面是第一周部分的笔记和一些心得体会。
我使用的环境 Python版本：3.6.8 TensorFlow：2.0.0alpha0 IDE：Pycharm
注意：TensorFlow的python库好像只适用于python3.5和3.6，使用其他版本可能会报错 “python No matching distribution found for tensorflow==…”。可以在控制面板完全卸载现有python，删除对应目录，再重新在python官网下载安装。
打开IDE中的Terminal终端，输入命令：pip install tensorflow==2.0.0-alpha0 注：国内下载可能会比较慢，耐心等待就好了。有条件的可以打开vpn代理
File -> Settings -> 点击project interpreter -> 右边点击加号 -> 搜索tensorflow ->右边选择版本为2.0.0a0
第一个小任务是拟合y=2x+1的函数
float hw_function(float x){ float y = (2 * x) - 1; return y; }第三行创建了一个序列模型（全连接）Keras-Dense units表示输出的维度，inputshape表示输入维度。 第四行作用是配置训练模型 Keras-compile optimizer 规定优化器，可以产生新预测， loss规定如何衡量预测结果的好坏 xs：输入数据 ys：结果 fit()：把结果和输入传入模型来训练。epochs表示迭代次数 predict()：对于给定输入提供预测
import tensorflow.keras as keras import numpy as np model = keras.Sequential([keras.layers.Dense(units=1, input_shape=[1])]) model.compile(optimizer='sgd', loss='mean_squared_error') xs =np.array([-1.0, 0.0, 1.0, 2.0, 3.0, 4.0],dtype=float) ys =np.array([-3.0, -1.0, 1.0, 3.0, 5.0, 7.0],dtype=float) model.fit(xs,ys,epochs=5000) print(model.predict([10.0]))上面第4行优化器也可以改成这样：
opt = keras.optimizers.SGD(lr=0.01, momentum=0.0, decay=0.0, nesterov=False) model.compile(optimizer=opt, loss='mean_squared_error')知识点： 传统编程：输入数据+规则->结果 机器学习：输入数据+结果->规则 告诉计算机哪个对应哪个的过程叫Labeling Dense 是 一层被连接的神经元 Loss衡量当前的预测有多好 Optimizer产生新的和改进的猜测 Convergence是数据逼近正确结果的过程 fit训练神经网络把找到一组数据与另一组数据的训练关系。
Tensorflow的可视化演示 右上角 重置/持续迭代（暂停）/单次迭代 epoch表示迭代次数 中间的加号/减号是增减隐藏层数 每一个隐藏层上面的加减号用来控制该层神经元数量 左边从上到下依次是选择数据集，设置训练集与测试集比例，调整噪声强度，一次训练几个数据 上方从左到右依次是设置学习率、设置激活函数、设置残差计算使用几维范数、设置正则化率、问题类型 右侧是神经网络结果的可视化，靠上的图纵坐标表示残差，横坐标表示迭代次数，靠下的图背景为拟合结果，点为测试数据。右上角的loss代表学习结果的错误率。 感兴趣的同学可以点击上方链接自己尝试一下，有助于理解机器学习过程。
到这里第一周的学习已经全部完成，这一部分确实很简单，但什么都是从基础开始，只有学会了"Hello World"才能学习更深入的知识。
