持续创作，加速成长！这是我参与「掘金日新计划 · 10 月更文挑战」的第18天，点击查看活动详情

1. 高级API

• tf.keras：Keras本来是一个独立的深度学习库，tensorflow将其加入过来，增加这部分模块在于快速构建模型
• tf.estimator
  • 一个estimator相当于Model+Training+Evaluate的合体
  • 在模块中，已经实现了几种简单的分类器和回归器，比如Baseline，learning，DNN

2. 基础API

包括一些基本的神经网络组件。

• tf.app：这个模块相当于为TensorFlow进行的脚本提供一个main函数入口，可以定义脚本运行的flags
• tf.image：TensorFlow的图像处理操作。主要是一些颜色变换、变形和图像的编码和解码。
• tf.gfile：这个模块提供了一组文件操作函数
• tf.train：这个模块提供了一些训练器，与tf.nn组合起来，实现一些网络的优化计算
• tf.nn：
  • 这个模块提供了一些构建神经网络底层函数。TensorFlow构建网络的核心模块。其中包含了添加各种层的函数，比如卷积层、池化层等。
  • 由底层网络可以构建高级的神经网络组件

3. 案例演示

有了对TensorFlow基本API与高级API的初步了解，下面我们将做一个线性回归案例演示，首先说明案例要求，然后对案例实现思路进行分析，最后根据案例中每个步骤进行展开分析，包括所用到的API说明以及每个步骤的初步构建，例如模型构建、模型损失函数。

案例需求：

• 使用TensorFlow的基础API与高级APi实现线性回归。
• 案例提供真实数据（真实目标值与特征值），并且他们符合y+0.5x+1的线性关系
• 案例有100个样本
• x真实值形状：100行1列，因为有100个真实样本数据样本，每个样本有1个特征，即（100，1）
• y真实值形状：100行1列，因为有100个真实目标值数据样本，每个样本的目标值只有一个，即（100，1）
• 我们试图用线性回归进行拟合，得到最终线性回归方程。

实现思路：

1. 模型构建：线性回归模型，例如：$y = w1x1 + w2x2 + w3x3 +...+ b$
2. 构造损失函数：均方误差MSE
3. 优化损失：梯度下降法

模型构建：

从矩阵形状来看，$y=wx+b$ 满足（100，1）*（1，1）=（100，1）

• tf.matmul(x,w)API：用来矩阵运算
• y_predict(100,1) = x(100,1) * weights(1,1) + bias(1,1)

构造损失函数：

• tf.square(error)：用来求平方
• tf.reduce_mean(error)：用来求平均值
• error = tf.reduce_mean(tf.square(y_predict - y_true))

优化损失：

• 梯度下降优化器
  • tf.train.GradientDescentOptimizer(learn_rate)
    • 梯度下降优化
    • learn_rate：学习率大小
    • method：minimize(loss)
    • 该优化器中包含一个方法，我们希望损失函数越小越好
    • 返回值为一个梯度下降优化器
• optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.01).minimize(error)