深度学习：用tensorflow建立线性回归模型

1. TensorFlow 是什么

是一个深度学习库，由 Google 开源，可以对定义在 Tensor(张量)上的函数自动求导。

Tensor(张量)意味着 N 维数组，Flow(流)意味着基于数据流图的计算，TensorFlow即为张量从图的一端流动到另一端。

它的一大亮点是支持异构设备分布式计算，它能够在各个平台上自动运行模型，从电话、单个CPU / GPU到成百上千GPU卡组成的分布式系统。

支持CNN、RNN和LSTM算法，是目前在 Image，NLP 最流行的深度神经网络模型。

一周之前我连tensorflow、scikit-learn是什么都不清楚，也不知道数据挖掘分为传统机器学习（scikit-learn）跟深度学习（tensorflow），但是不重要嘛，伟大的毛主席教导我们“战略上藐视敌人，战术上重视敌人”，不就是工具么，不会造轮子了，本姑娘还不会用轮子么？

不知道会不会有人质疑，人家问tensorflow，你说什么scikit-learn，我回答就是找感觉，毕竟机器学习比深度学习看起来更接地气一些。我先在我的电脑上安装了，numpy、scipy、matplotlib这几个基础的python库，然后numpy的基础用法自己敲了一遍。为啥，因为我首先要知道矩阵也就是所谓的特征，是个什么样子，最基础的东西吧。顺便复习一下高等数据矩阵部分。了解一下scipy里面的前三个问题‘最小二乘拟合、函数最小值、非线形方程组求解’，这个部分会涉及到求导、函数微分的知识。其实我觉得倒数第二部分‘滤波器设计’应该也看一下，因为是神经网络很重要的一部分。matplotlib就是图形化显示，我觉得会用就行。

我是有条主线，然后不会的就在网上查，博客啊什么的，有的一个知识点不同人有很多不同的解释，看不懂那个解释，就再找另一个解释，有时候突然就能想通。我之前看过一篇解释傅立叶变换的文章，其实说到已经很清楚了，但当时就是转不过视角来，后来有一天看神经网络的文章，就是解释关于过滤不重要信息的一个问题，突然两个解释一结合，两个问题都想通了。

我大概学了‘协同过滤、主成分分析、k-means、svm、决策树、线性回归、逻辑回归’这几种算法。

真正项目应该是几种算法的协同作战，比如先用主成分分析找出重要的特征，在进行下一步的线性拟合等。

我对这几种算法的的程度就是能写出数学公式，以及为什么要用这个数学公式，比如协同过滤求相似系数有很多中方法，欧几里得、皮尔逊相似，欧几里得不说了，两点间的距离。皮尔逊相似跟欧几里得比的好处是什么，以及皮尔逊相似是协方差跟标准差的比，这里又要复习一下期望、方差、标准差、均值等数学知识。其他类似。

每学到一个算法都去网上找相应的小例子实现，辅助理解，加深记忆，更重要的是增强自信。而且这样调用框架的时候就不觉得跟变魔术似的了。打个比方，自己实现决策树的信息增益比（c4.5）比较麻烦，但是实现一个协同过滤的欧几里得很简单吧，但是这样心里就会有数，不管看起来多复杂的算法，就是这样由一些简单的数学公式堆砌的。

然后我就安装了scikit-learn，有个推荐电影的例子，数据集、代码都是现成的、每个函数都要理解、不会就查，运行出结果我觉得这就算入门啦。

tensorflow好像主要是做用来做神经网路的吧，我就是用cnn实现了一个验证码识别，网上有实例。对cnn的理解，网上文章特别多，多看看总能找到一个自己能理解的角度。还有几种常见的损失函数。为什么选sigmoid函数，而不选softmax函数，我看过一篇非常好的文章，找不到链接了。

当然还有些细节没提到，但是，我觉得这就算“入门”啦! 至于什么清洗、特征选取、调优……来日方长嘛～！

以下是用tensorflow建立线性回归模型，会python语言都看得懂，很简单！