这篇文章中，我们来一次实战，我认为这是入门机器学习的最直观的一个例子。
下面是一段python代码中的二维数组（2行100列），我们记为x_data
[[ 0.42758232 0.41523728 0.7364561 0.53956449 0.14633773 0.56222874
0.18499938 0.26582134 0.73552477 0.56200433 0.60219848 0.05914833
0.94559932 0.32925037 0.91233349 0.37451747 0.82570422 0.6413793
0.45711643 0.0510349 0.49253303 0.60542917 0.72097594 0.15595818
0.42432156 0.12067413 0.06372201 0.10101804 0.93738174 0.66310227
0.09741133 0.49941415 0.07158906 0.66589403 0.84585708 0.63900119
0.68535918 0.20270246 0.29771215 0.76680732 0.79395735 0.90801775
0.60454905 0.32533091 0.64171505 0.99730647 0.97167498 0.55845433
0.85073692 0.79326469 0.55319452 0.91423094 0.44408876 0.30601162
0.41607821 0.36261719 0.3868331 0.45728528 0.24841437 0.37683052
0.18237418 0.98569024 0.98132664 0.96703428 0.67860758 0.84513372
0.11679788 0.89380908 0.76054925 0.47602558 0.04213563 0.52820212
0.73093456 0.21677995 0.85897821 0.97049636 0.39711675 0.01180799
0.58834493 0.01842264 0.92626923 0.45766795 0.49880844 0.31671363
0.79903597 0.88061112 0.63573354 0.97412097 0.68437254 0.59815019
0.2723268 0.39425883 0.75241357 0.9579795 0.4241344 0.60848516
0.20262484 0.51457667 0.20744105 0.04812595]
[ 0.31976271 0.96551085 0.74686199 0.68523073 0.76263547 0.64432484
0.29724655 0.22450443 0.78051567 0.07997933 0.95134073 0.89156324
0.10389187 0.30935422 0.17702582 0.31272656 0.32682714 0.10123607
0.23373818 0.6247763 0.39454943 0.54197389 0.42791456 0.89178556
0.13581613 0.11662268 0.56151962 0.03865582 0.12745501 0.09533363
0.36215487 0.6063754 0.44721866 0.16352764 0.0175478 0.2745387
0.16954912 0.20520292 0.97252476 0.68919301 0.77762645 0.99751168
0.48580641 0.74408424 0.97986132 0.48074049 0.35011715 0.20372978
0.66633642 0.77604395 0.35104433 0.6027807 0.31352159 0.44550824
0.53263241 0.34016448 0.42796895 0.40930313 0.13593936 0.37489557
0.92516851 0.5538547 0.98710853 0.68188816 0.25437263 0.82512838
0.65908498 0.38657269 0.86543506 0.42110944 0.10221514 0.71449763
0.0390586 0.07711767 0.69850391 0.81870884 0.89288706 0.62117141
0.61512709 0.18505932 0.87685937 0.14009871 0.68119746 0.4527097
0.52289557 0.17806749 0.15934397 0.99448085 0.53543651 0.11325162
0.25579432 0.21486521 0.65362966 0.89440835 0.82798028 0.48527789
0.53906453 0.78469306 0.75793225 0.48855975]]
下面这段数字，是一个100个元素的数组，可以理解为1行100列，我么记为y_data
[ 0.40671077 0.5346259 0.52301801 0.4910026 0.46716087 0.48508784
0.37794925 0.37148302 0.52965561 0.3721963 0.550488 0.48422748
0.41533831 0.39479588 0.42663851 0.39999706 0.44793585 0.38438514
0.39245928 0.43005875 0.42816319 0.4689377 0.45768051 0.49395293
0.36959538 0.33539195 0.41867613 0.31783297 0.41922918 0.38537695
0.38217211 0.47121649 0.39660264 0.39929493 0.38809527 0.41880786
0.40244574 0.36131083 0.52427617 0.51451933 0.53492103 0.59030411
0.45761619 0.48134994 0.56014377 0.49587874 0.46719093 0.39659139
0.51834098 0.53453526 0.42552832 0.51197923 0.40711319 0.41970281
0.4481343 0.40429462 0.4242771 0.42758915 0.35202931 0.41266217
0.50327112 0.50933996 0.59555437 0.53308106 0.41873528 0.54953905
0.44349678 0.46669545 0.54914194 0.43182445 0.32465659 0.49571974
0.38090518 0.33710153 0.5255986 0.5607914 0.51828909 0.42541508
0.48185991 0.33885413 0.5679988 0.37378654 0.48612034 0.4222133
0.48448271 0.42367461 0.39544215 0.59630827 0.47552456 0.38246534
0.37839154 0.38239892 0.50596729 0.57467962 0.5080095 0.45790409
0.42807539 0.50839628 0.47233055 0.40252455]
x_data和y_data之间有一定的关系，这个关系是什么不得而知。我们假设如下关系：
y_data = w*x_data +b
事实上，大多数情况下，当我们假设两组数据之间的关联关系的时候，都可以采用加权和加偏置的方式来猜测，只是加权和加偏置的方式可以多种多样，这是数学上的原理，这里不深究。现在问题变成了我们熟悉的解方程中的未知数w和b。
这种方程的解，显然不是那么容易得到，特别是对于未知数特别多的情况下。但是对于计算机而言，却不是难事，它可以采用迭代递归的方式调整未知量去拟合这个方程。就类似于我们手动通过描点的方式得出w和b（不知道你是不是在上学的时候有过这样的经历，方程解不出来，就拿一些点画出来，然后拿尺子量的方式计算斜率）。
类似于这样一个过程：
描点画直线.png
用python和tensorflow求解上述方程的代码如下：
import tensorflow as tf
# 设置两个变量
b = tf.Variable(tf.zeros([1]))
W = tf.Variable(tf.random_uniform([1, 2], -1.0, 1.0))
# 初始化变量
init = tf.initialize_all_variables()
# 构造方程
y = tf.matmul(W, x_data) + b
# 最小化方差, 这几句代码的意思是，每执行一次，就调整一次w和b，使得y的值和y_data之间的差距越来越小。
loss = tf.reduce_mean(tf.square(y - y_data))
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)
# 多次执行train，来调整w和b的值。每调整20次，打印出来w和b值看看。
with tf.Session() as sess:
sess.run(init)
# 拟合平面
for step in xrange(0, 201):
sess.run(train)
if step % 20 == 0:
print step, sess.run(W), sess.run(b)
200轮迭代计算的过程：
0 : w = [[-0.42694762 1.05048251]] , b = [ 0.29054722]
20 : w = [[-0.00765039 0.36172628]] , b = [ 0.26989755]
40 : w = [[ 0.08106617 0.23362274]] , b = [ 0.29180717]
60 : w = [[ 0.09694061 0.20715918]] , b = [ 0.29771015]
80 : w = [[ 0.09959587 0.20157203]] , b = [ 0.29934704]
100 : w = [[ 0.09997934 0.20035832]] , b = [ 0.29981107]
120 : w = [[ 0.10001348 0.20008519]] , b = [ 0.29994476]
140 : w = [[ 0.10000791 0.20002116]] , b = [ 0.29998374]
160 : w = [[ 0.10000313 0.20000549]] , b = [ 0.29999518]
180 : w = [[ 0.10000109 0.20000149]] , b = [ 0.29999855]
200 : w = [[ 0.10000036 0.20000042]] , b = [ 0.29999956]
你应该可以看到w和b的值分别是多少了，没错w = [0.1, 0.2]，b = 0.3。
所以求解出来的方程为：y_data = [0.1, 0.2]*x_data +0.3
这就是一个完整的训练过程，通过不断地输入样本让机器学习，调整其权值进行收敛。最终得到一组近似适应所有样本的权值。机器学习，就是从看似杂乱无章的海量样本中，学习出它的规律。
机器学习其实就是训练权值的过程，有了这个权值（规律），只要给一个输入，就能得到对应的输出。现在你对识别花草软件背后的原理有点感觉了吗？
下一篇文章，我们一起看看机器学习相关的开发语言和开发框架。
