前言
先上最终结果图，就是根据输入的身高和体重来判断胖瘦。这个程序使用TensorFlow创建模型和训练，然后导出.pb模型文件，最后利用CoreML导入iPhone中来进行识别。
不是有个BMI可以计算体型么？我知道，不是要联系一下机器学习相关内容么，不要在意那些细节。而且，机器预测的跟平常我们的认知都差不多。
TensorFlow端
下面潜入细节。首先从TensorFlow端说起。训练一个模型首先需要的就是数据，我利用的是自己生成的.csv文件。何为.csv文件？其实就是许多特征值通过逗号连接而已，我用的bmi.csv文件中有20000条数据，特征有3个，分别是身高、体重和胖瘦状态。
因为身高、体重是处于线性回归的状态，即y=x*w+b的状态，那么我们就可以利用TensorFlow来创建一个线性回归的模型，关键代码如下：
import tensorflow as tf
w=tf.Variable(tf.Zero([2,3]))
b=tf.Variable(tf.Zero([3]))
相当于定义一个原始的w,b，然后交由神经网络迭代解出最佳的w和b的值。请注意w的shape为[2,3],这代表w为2*3的矩阵，为什么是2*3呢，首先让我们先定义容纳输入的容器：
x=tf.placeholder(tf.float32,[None,2],name="x_input")
因为我们需要输入的变量为身高和体重，所以肯定是2列，行数随着数据数量而定，所以设为None，意思是看数据而定。因为x*w是矩阵运算，第一个矩阵的列数一定要和第二个矩阵的行数相等，所以x的列数为2，那么w的行数一定也要为2，那么列数为什么是3呢？因为输出是瘦、正常、胖的各自的概率，所以肯定是3列，所以这个3，包括b的shape为3，都是为了输出y服务的.
再定义一个y_来容纳真实标签（胖、瘦、正常）输出，这个用来稍后计算损失函数的
y_=tf.placeholder(tf.float32,name="y_predict")
现在就可以写线性回归的表达式了
y=tf.nn.Softmax(tf.matmul(x*w)+b)
其中tf.matmul代表两个矩阵相乘，Softmax多用于多分类问题中，用来说明一个数据在各个分类中的概率。
因为考虑到损失最小化，这样才能使网络预测的和真实值相差最小，所以定义交叉熵损失函数：
cross_encropy=-tf.reduce_mean(y_*tf.log(y))
因为目的是使这个交叉熵值最小，tensorflow为我们提供了优化器。
train_step=tf.train.AdamOptimizer(0.01).minimize(cross_encropy)
其中0.01代表学习率，就是每次迭代的步长。
模型已经定义好了，下面就是训练了，我这个模型训练100000次
for i in range(100000):
sess.run(train_step,feed_dict={x_input=训练的特征值，y_predict=训练的标签值})
然后留出一部分数据作为测试集，验证模型正确率，得到了上图的97.98%。
correct_prediction=tf.equal(tf.max(y,1,name="output"),tf.max(y_,1))
请注意加粗的这一句，一会在导入CoreML中，这句话至关重要。上面这句代码就体现了网络预测的和真实值相差的多少。
TensorFlow导入.pb文件
constant_graph = graph_util.convert_variables_to_constants(sess, sess.graph_def, ["output"])
with tf.gfile.FastGFile(pb_file_path, mode='wb') as f: f.write(constant_graph.SerializeToString())
这个output就是刚才我们定义的名字，相当于我们把y=w*x+b，也就是整个模型的最终形态写入了pb文件
iOS端
这个在我的上一篇（尽管有两个多月了）中有过介绍，就不过多介绍怎么把pb文件转换成CoreML识别的.mlmodel文件了。转换完成后，谢谢界面代码，就可以实现开头那些图片的效果了。
谢谢。已经是午夜了，赶紧睡了。生命不息，编码不止！
