神经元网络深度学习的起步程序 Hello World
第一个应用程序总是应该从超级简单的东西开始，这样可以看到代码如何产生和运作的整体框架。
就创建神经网络而言，我喜欢使用的例子是一个能够学习两组数字之间函数关系的神经元。具体来说，如果你在写下面函数的代码，表明你已经知道了这个函数的"规则"，即x和y的映射关系。
那么，如何训练一个神经网络来完成同等的任务呢? 用数据！用数据来训练神经网络。通过给它输入一组X，和一组Y，它应该能够找出它们之间的关系。
这显然和你习惯的范式很不一样，所以让我们一步步来了解它。
float hw_function(float x){
float y = (2 * x) - 1;
return y;
}
导入tensorflow
让我们从导入TensorFlow开始。为了方便后续使用，我们把它叫做tf。
然后我们导入一个名为numpy的库，它可以帮助我们方便快捷地将数据表示为列表。
定义神经网络的框架叫做keras，它将神经元网络模型定义为一组Sequential层。Keras库也需要导入。
import tensorflow as tf
import numpy as np
from tensorflow import keras
定义并编译神经元网络
接下来我们将创建一个最简单的神经网络。它只有1层，且这层只有1个神经元，它的输入只是1个数值。
model = tf.keras.Sequential([keras.layers.Dense(units=1, input_shape=[1])])
在编译神经网络时，我们必须指定2个函数：一个损失函数和一个优化器。
如果你读过很多有关机器学习的数学理论，这里通常是用到它们的地方。但Tensorflow将这些数学很好地封装在函数*你使用。那么这个程序里到底发生了什么？我们来看一下：
我们知道，在上面的函数中，两组数字之间的关系其实是y=2x-1。当计算机试图 "学习 "这个映射关系时，它猜测......也许y=10x+10。LOSS（损失）函数将猜测的答案与已知的正确答案进行比较，并衡量偏差程度。然后，计算机使用OPTIMIZER函数再做一次猜测，努力使损失最小化。这时，也许计算机会得出一些像y=5x+5这样的结果，虽然还是很糟糕，但更接近正确的结果（即损失更低）。训练的时候，将依据指定的EPOCHS次数，重复这样的猜测与优化过程。
下面的程序中可以看到如何设置用 "平均平方误差 "来计算损失，并使用 "同步梯度下降 "来优化神经元网络。你并不需要理解背后的这些数学，但你可以看到它们的成效! :)
随着经验的积累，你将了解如何选择相应的损失和优化函数，以适应不同的情况。
model.compile(optimizer='sgd', loss='mean_squared_error')
提供训练数据
下来我们将提供一些数据。对于本案例，我们提供6个X和6个Y。可以看到它们之间的关系是y=2x-1，所以当X=-1，y=-3，以此类推
xs = np.array([-1.0, 0.0, 1.0, 2.0, 3.0, 4.0], dtype=float)
ys = np.array([-3.0, -1.0, 1.0, 3.0, 5.0, 7.0], dtype=float)
训练神经元网络
在调用model.fit函数时，神经网络“学习”X和Y之间的关系。在这个过程中，它将一次又一次地完成上面所说的循环，即做一个猜测，衡量它有多好或多坏（又名损失），使用Opimizer进行再一次猜测，如此往复。训练将根据指定的遍数（epochs）执行此操作。当运行此代码时，将在输出结果中看到损失（loss）。
model.fit(xs, ys, epochs=500)
到这里为止模型已经训练好了，它学习了X和Y之间的关系。现在，你可以使用model.predict方法来让它计算未知X对应的Y。例如，如果X=10，你认为Y会是什么？在运行下面代码之前，请猜一猜：
print(model.predict([10.0]))
你可能会想到19岁，对吧？但最后输出比19低了一丁点儿。这是为什么呢？因为神经网络处理的是概率，所以根据我们向神经元网络提供的数据，它计算出X和y之间的关系是y=2x-1的概率非常高。但由于只有6个数据点，无法完全确定x和y的函数关系。因此，10对应的y值非常接近19，但不一定正好是19。当使用神经网络时，会看到这种模式反复出现。你几乎总是在处理概率，而非确定的数值。并经常需要通过进一步编写程序，来找出概率所对应的结果，特别当处理分类问题时。