新手必读系列：实例解读TensorFlow
TensorFlow是Google开发的开源软件库，用于机器学习。它能够在所有Linux、Windows和MacOS平台上的CPU和GPU上运行。 Tensorflow可用于设计、实施和训练受大脑结构和功能启发的深度学习模型。
在本文中，将逐步指导使用TensorFlow实现简单的神经网络。著名的鸢尾花数据集在此用于训练，然后将给定的花分类到正确的类型。
该数据集包含3种“Setosa”、“Versicolor”和“Virginica”。为了识别每种花型，有4种萼片长度、萼片宽度、花瓣长度和花瓣宽度的属性。我们将实施一个神经网络来使用这些因素识别正确的类型。
首先，我们将使用训练数据集来训练我们的模型，然后将使用测试数据集来测试它的准确性。你可以从这里下载训练数据集，并从这里测试数据集。
步骤1
首先，我们需要读取.csv文件中的数据并导入它们。Pandas 可以用来轻松处理这个问题。
导入数据
Pandas中的read_csv（）函数将读取文件并将内容加载到指定的变量。作为函数的参数，我们需要指定文件的路径，而名称参数可以用来指定每个文件的列名。
步骤2
数据集中每种花都被编码为0、1和2。我们需要使用一种热门方法将它们编码为[1,0,0]，[0,1,0]和[0,0,1]。这将使网络的训练和优化变得容易，因为网络的输出也是以一种热门格式生成的。
那么我们需要定义训练集的x、y和测试集的x、y
编码类和数据分离
步骤3
它需要为输入（X）、输出（Y）定义占位符，并定义网络的权重和偏差。这里我们有4列输入，因为数据集有4个特征和3列输出来映射3种类型的花。占位符的形状应该满足这一点。此外，权重矩阵的形状必须是4x3，并且偏差必须是3的矢量以将输入映射到输出（无隐藏层）。
定义权重，偏差和占位符
步骤4
然后我们需要通过一个激活函数发送输出，这里使用了tensorflow中可用的soft-max函数。为了训练模型，我们需要计算模型创建的输出中有多少误差的成本。我们在这里计算均方误差。然后我们可以训练模型，使用AdamOptimizer降低成本。
训练张量定义
步骤5
经过训练以检查我们的模型是否准确，我们需要将模型预测与实际结果进行比较。然后我们可以通过计算得到的正确结果来判断模型的准确性。
计算准确度
在这里，需要检查由我们的模型生成的输出是否等于实际结果（Y）。该模型将计算每种花的价值，这可以视为每种类型的概率。我们选择最有可能的类型。 argmax函数将返回最大值的索引。请记住，结果是一种one-hot形式，这种方法很容易让我们检查正确性。
在此之后，我们必须开始训练模型。在此之前，我们需要首先初始化所有全局变量，然后使用global_variables_initializer函数。
步骤6
现在我们来训练我们的模型。张量执行必须在张量流中的一个会话内完成。因此，在培训之前我们需要创建一个会话，并且在完成所有事情之后，我们需要关闭会话。
训练模式
上面的代码块被添加来创建tensorflow会话，并且该块中的所有内容都将具有该会话。此外，这个代码块能够在一切完成时自动关闭会话。
首先，执行变量初始张量，然后模型训练1000次。训练时，我们需要将训练数据集指定为X，将相应的结果指定为Y，因为训练tensorflow期望它们执行。在传递Y时，已经迭代并创建了一个新数组，以确保它具有与上面定义的形状相同的形状。在每次迭代中，跟踪成本以绘制图形以查看实际的训练。
最后一步
最后，当训练过程结束时，绘制成本变化图并通过测试数据集测试模型的准确性。
绘制图形和检查准确性
经过1000次训练迭代后，可以获得96.67％的准确度，这确实令人印象深刻，成本变化图通过降低每次迭代的成本显示了该模型的重大发展。
因训练而降低成本
这篇文章将有助于tensorflow的新手通过这个简单的例子来理解它的概念。