参考极客学院基础教程
我们可以用Tensorflow的训练方法，来计算获取我们不知道的参数，
比如y= 0.1x+0.3 如果我们在不知道0.1和0.3(偏置量bias)的情况下，
怎么可以得到我们想要的(0.1, 0.3)呢？
看一个🌰
#coding:utf-8
import tensorflow as tf
import numpy as np
# "导入tensorflow和numpy模块"
# create data
'''
1.使用np创建100个随机数据，并转成float32格式，因为tensorflow支持的是float32格式
2.设置一个我们要学习的曲线函数（例子是线性函数）
'''
x_data = np.random.rand(100).astype(np.float32)
y_data = x_data*0.1 + 0.3
'''
目的是在不知道上面的0.1 和 0.3的情况下，通过机器学习获得这两个值
假设这两个值的变量为：Weights 和biases，这在深度学习中属于监督学习，
就是已经知道结果了。
'''
Weights = tf.Variable(tf.random_uniform([1], -1.0, 1.0)) #我们设置一个随机数，范围在-0.1到1.0
biases = tf.Variable(tf.zeros([1])) #设置后面一个参数的值为0，当然也可以设置一个随机数
y = Weights*x_data + biases
loss = tf.reduce_mean(tf.square(y-y_data)) #误差设置
'''
交给误差优化控制器来完成
我们使用的误差专递方法是梯度下降法: Gradient Descent 让后我们使用 optimizer 来进行参数的更新.
'''
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)
#以上是创建了神经网络的结构，在使用这些结构以前，我们需要初始化
#init = tf.global_variables_initializer() #新的要用这个方法来初始化
init = tf.initialize_all_variables() # 我目前使用的还是老版本的tensorflow
'''
创建一个会话，后面会详细使用这个会话
'''
sess = tf.Session()
sess.run(init) # Very important 需要执行run 有点像线程，表示创建了一个可运行的session了
for step in range(1001):
sess.run(train) # 训练1001次，这里才开始执行训练
if step % 50 == 0: # 我们每隔50次 打印一下训练的结果
print(step, sess.run(Weights), sess.run(biases)) # 这里打印需要用sess.run()方法
输出的结果：
(700, array([ 0.10000014], dtype=float32), array([ 0.29999992], dtype=float32))
(750, array([ 0.10000014], dtype=float32), array([ 0.29999992], dtype=float32))
(800, array([ 0.10000014], dtype=float32), array([ 0.29999992], dtype=float32))
(850, array([ 0.10000014], dtype=float32), array([ 0.29999992], dtype=float32))
(900, array([ 0.10000014], dtype=float32), array([ 0.29999992], dtype=float32))
(950, array([ 0.10000014], dtype=float32), array([ 0.29999992], dtype=float32))
(1000, array([ 0.10000014], dtype=float32), array([ 0.29999992], dtype=float32))
我们看到：
0.10000014 基本接近于0.1
0.29999992 基本接近于0.3
