Tensorflow是深度學習常用的一個框架，從目前官方文件看，Tensorflow支援CNN、RNN和LSTM演算法，這都是目前在Image，Speech和NLP領域最流行的深度神經網路模型。

    為了熟悉和理解tensorflow，先從簡單的例子開始，本文介紹用tensorflow搭建一個結構為[1,10,1]的神經網路實現簡單線性迴歸。

過程如下：

1. 生成隨機樣本點
2. 定義變數和模型
3. 通過梯度下降法減小損失函式，優化模型
4. 作圖

程式碼如下:

# coding=utf-8

import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf

#用numpy生成200個樣本
x_data = np.linspace(-0.5,0.5,200)[:,np.newaxis]     #把（1,200）轉化為（200,1）方便後面的矩陣相乘運算
noise = np.random.normal(0,0.02,x_data.shape)        #加入噪聲資料，資料形狀與x_data一樣
y_data = np.square(x_data) + noise

#定義模型輸入輸出的佔位符
x = tf.placeholder(tf.float32,[None,1])              
y = tf.placeholder(tf.float32,[None,1])

#定義神經網路隱含層
Weights_L1 = tf.Variable(tf.random_normal([1,10]))
biases_L1 = tf.Variable(tf.zeros([1,10]))
L1 = tf.nn.tanh(tf.matmul(x,Weights_L1) + biases_L1)

#定義神經網路輸出層
Weights_L2 = tf.Variable(tf.random_normal([10,1]))
biases_L2 = tf.Variable(tf.zeros([1,1]))
prediction = tf.nn.tanh(tf.matmul(L1,Weights_L2) + biases_L2)

#定義均方誤差作為損失函式，使用梯度下降優化器減小損失函式
loss =tf.reduce_mean(tf.square(prediction-y))
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

#訓練2000次
with tf.Session() as sess:
	sess.run(tf.global_variables_initializer())       #初始化變數
	for _ in range(2000):
		sess.run(train_step,feed_dict={x:x_data,y:y_data})

#訓練完之後，作預測
	prediction_value = sess.run(prediction,feed_dict={x:x_data})

#作圖
	plt.figure()
	plt.scatter(x_data,y_data)
	plt.plot(x_data,prediction_value,'r-',lw=5)
	plt.show()
 

結果如下：

這樣，整個過程就結束了。

在後續的文章中，會介紹用tensorflow實現更復雜的模型。