微信扫一扫，
学人工智能专业出来好就业吗|成都的人工智能培训学校最好的是哪家|学费是多少啊
责任编辑： 发布时间： 13:50浏览447次
　　其实，人工智能很早之前就已经有了，在1997年IBM就拿出人工智能“深蓝”打败国际象棋冠军卡斯帕罗夫。而人工智能真正走入人类平常生活中，当然还是苹果的功劳。乔布斯在世时，在其iphone4S中加入“siri”,让其成为最早入驻手机的”人工智能“，随后谷歌以及微软分别在自家安卓与windows系统中内置了google
new以及Cortana.这些”人工智能”可以依靠数据可以与人类完成一些对话，取乐人类或者一些简单的操作等。咨询电话：张老师　　但是，“人工智能”究竟是什么呢，为什么会有如此强大的能力呢？现在报名你的课人工智能培训班，更多人工智能新技术与你分享。人工智能（Artificial
Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。　　人工智能是对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。　　通过研究使计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。人工智能将涉及到计算机科学、心理学、哲学和语言学等学科。可以说几乎是自然科学和社会科学的所有学科，其范围已远远超出了计算机科学的范畴，人工智能与思维科学的关系是实践和理论的关系，人工智能是处于思维科学的技术应用层次，是它的一个应用分支。从思维观点看，人工智能不仅限于逻辑思维，要考虑形象思维、灵感思维才能促进人工智能的突破性的发展，数学常被认为是多种学科的基础科学，数学也进入语言、思维领域，人工智能学科也必须借用数学工具，数学不仅在标准逻辑、模糊数学等范围发挥作用，数学进入人工智能学科，它们将互相促进而更快地发展。现在报名你的课人工智能培训班，更多人工智能新技术与你分享。　　最主要是人工智能已经成为世界三大尖端科学，与空间技术、能源技术并列。　　人工智能应用是非常的广泛，例如我们在手机上，使用的siri还是Cortana，这些都是人工智能，但只是简单的人工智能，而打败李世石的人工智能“阿尔法狗“才是高尖端的人工智能。　　如今人们都渴望无人驾驶技术，例如谷歌推出的无人汽车，已经测试很久，完全依靠模拟人类驾驶以及电脑对数据进行分析，来实现无人驾驶，而且特斯拉推出辅助驾驶技术也是建立在“人工智能”的基础之上，如果“人工智能”发展完善的情况下，实现真正安全的无人驾驶是指日可待的。　　但是人工智能的应用完全不局限于此，在生活方面，例如你用搜索引擎搜索内容，人工智能会记住你的搜索习惯，为你快速找到你想要找的东西，也就是越来越懂你。实际上，谷歌搜索正是一种完善人工智能的尝试，用户在谷歌上的每一次搜索，都是在辅导人工智能进行深度学习。　　谷歌搜索在表面上只是一款搜索引擎，但其引擎的机理和很多人工智能程序相同：以并行计算、大数据及更深层次算法为基础，完成对数据、问题的智能化分析。或许很多谷歌用户都能感受到，谷歌搜索正变得越来越“聪明”，越来越“懂你”，而赋予其这种学习能力的，正是人工智能。现在报名你的课人工智能培训班，更多人工智能新技术与你分享。　　还有IBM的人工智能程序沃森的特点在于对大数据迅速、准确的分析，在一档类似于“最强大脑”的综艺节目《危险边缘》中，沃森击败了两位最高纪录保持者，获得百万奖金。问答过程中，沃森在无人类协助的情况下，独自完成对自然语言的分析，并且以远超人类的速度完成抢答。目前IBM积极将人工智能程序推向医疗等其他领域。　　咨询电话：张老师　　联系机构：成都凯奇教育　　联系地址：成都市成华区建材路39号3栋
分享发布，文章内容系作者个人观点，不代表培训通对其观点赞同或支持，本网不对内容真实性负责，若该文章内容涉嫌侵权，请发邮件qq:。
相关新闻：
copyright & 2004-today pxto.com.cn, All Rights Reserved.
, 备案编号：京公网安备 ,人工智能培训哪个好哪个好_百度知道
人工智能培训哪个好哪个好
我有更好的答案
我朋友在达内的学习人工智能，他说还不错
为您推荐：
您可能关注的内容
换一换
回答问题，赢新手礼包
个人、企业类
违法有害信息,请在下方选择后提交
色情、暴力
我们会通过消息、邮箱等方式尽快将举报结果通知您。关于人工智能的未来 你需要知道这10大技术趋势
　　随着Google、Microsoft和Facebook等巨头的大力投入，深度学习正在超越机器学习，人工智能来势凶猛。那么，如今人工智能最热门的技术趋势是什么？黑匣认为，复杂神经网络、LSTMs(长短期记忆网络)、注意力模型(Attention Models)等十大趋势将塑造人工智能未来的技术格局。
　　黑匣的上述判断来自NIPS(神经信息处理系统) 2015大会。NIPS始于1987年，是人工智能领域两大重要学习会议之一，由于AI的爆炸式发展，近年来逐渐成为许多硅谷公司必须参加的年度会议。
　　在蒙特利尔召开的NIPS 2015吸引了众多AI学界与业界的顶级专家，与会人数接近4000。大会总共收录了403篇论文，其中深度学习课题约占11%。来自Dropbox的高级软件工程师Brad Neuberg分享了他所注意到的十大技术趋势，黑匣(微信ID：blackxtech)将对每种趋势做了详细分析。
　　1.神经网络的架构正变得越来越复杂
　　感知和翻译等大多数神经网络的架构正变得越来越复杂，远非此前简单的前馈神经网络或卷积神经网络所能比。特别需要注意的是，神经网络正与不同的技术(如LSTMs、卷积、自定义目标函数等)相混合。
　　神经网络是多数深度学习项目的根基。深度学习基于人脑结构，一层层互相连接的人工模拟神经元模仿大脑的行为，处理视觉和语言等复杂问题。这些人工神经网络可以收集信息，也可以对其做出反应。它们能对事物的外形和声音做出解释，还可以自行学习与工作。
人工模拟神经元试图模仿大脑行为 （图片来源：Frontiers）
　　但这一切都需要极高的计算能力。早在 80 年代初期，Geoffrey Hinton和他的同事们就开始研究深度学习。然而彼时电脑还不够快，不足以处理有关神经网络的这些庞大的数据。当时AI研究的普遍方向也与他们相反，人们都在寻找捷径，直接模拟出行为而不是模仿大脑的运作。
　　随着计算能力的提升和算法的改进，今天，神经网络和深度学习已经成为人工智能领域最具吸引力的流派。这些神经网络还在变得更复杂，当年“谷歌大脑”团队最开始尝试“无监督学习”时，就动用了1.6万多台微处理器，创建了一个有数十亿连接的神经网络，在一项实验中观看了千万数量级的YouTube图像。
　　2.酷的人都在用LSTMs
　　当你阅读本文时，你是在理解前面词语的基础上来理解每个词语的。你的思想具有连续性，你不会丢弃已知信息而从头开始思考。传统神经网络的一大缺陷便是无法做到这一点，而递归神经网络(RNN)能够解决这一问题。
　　RNN拥有循环结构，可以持续保存信息。过去几年里，RNN在语音识别和翻译等许多问题上取得了难以置信的成功，而成功的关键在于一种特殊的RNN——长短期记忆网络(LSTMs)。
　　普通的RNN可以学会预测“the clouds are in the sky”中最后一个单词，但难以学会预测“I grew up in France… I speak fluent French。”中最后一个词。相关信息(clouds、France)和预测位置(sky、French)的间隔越大，神经网络就越加难以学习连接信息。这被称为是“长期依赖关系”问题。
长期依赖问题 （图片来源：CSDN）
　　LSTMs被明确设计成能克服之一问题。LSTMs有四层神经网络层，它们以特殊的方式相互作用。这使得“能记住信息很长一段时间”可以被视作LSTMs的“固有行为”，它们不需要额外学习这一点。对于大多数任务，LSTMs已经取得了非常好的效果。
　　3.是时候注意“注意力模型(attention models)了
　　LSTMs是人们使用RNNs的一个飞跃。还有其他飞跃吗？研究者共同的想法是：“还有注意力(attention)！”
　　“注意力”是指神经网络在执行任务时知道把焦点放在何处。我们可以让神经网络在每一步都从更大的信息集中挑选信息作为输入。例如，当神经网络为一张图片生成标题时，它可以挑选图像的关键部分作为输入。
拥有“注意力”的RNN在图像识别中的成功运用(图片来源：GitHub)
　　4.神经图灵机依然有趣，但还无法胜任实际工作
　　当你翻译一句话时，并不会逐个词汇进行，而是会从句子的整体结构出发。机器难以做到这一点，这一挑战被称为“强耦合输出的整体估计”。NIPS上很多研究者展示了对跨时间、空间进行耦合输出的研究。
　　神经图灵机(Neural Turing Machine)就是研究者们在硅片中重现人类大脑短期记忆的尝试。它的背后是一种特殊类型的神经网络，它们可以适应与外部存储器共同工作，这使得神经网络可以存储记忆，还能在此后检索记忆并执行一些有逻辑性的任务。
模仿人类短期工作记忆的神经图灵机（图片来源：arXiv）
　　2014年10月，Google DeepMind公布了一台原型电脑，它可以模仿一些人类大脑短期工作记忆的特性。但直到NIPS2015，所有的神经图灵机都过于复杂，并且只能解决一些“小玩具”问题。在未来它们或将得到极大改进。
　　5.深度学习让计算机视觉和自然语言处理不再是孤岛
　　卷积神经网络(CNN)最早出现在计算机视觉中，但现在许多自然语言处理(NLP)系统也会使用。LSTMs与递归神经网络深度学习最早出现在NLP中，但现在也被纳入计算机视觉神经网络。
　　此外，计算机视觉与NLP的交汇仍然拥有无限前景。想象一下程序为美剧自动嵌入中文字幕的场景吧。
　　6.符号微分式越来越重要
　　随着神经网络架构及其目标函数变得日益复杂和自定义，手动推导出“反向传播”(back propagation)的梯度(gradients)也变得更加苦难而且容易出错。谷歌的TensorFlow等最新的工具包已经可以超负荷试验符号微分式，能够自动计算出正确的微分，以确保训练时误差梯度可被反向传播。
　　7.神经网络模型压缩的惊人成果
　　多个团队以不同方法大幅压缩了训练一个良好模型所需的素材体量，这些方法包括二值化、固定浮点数、迭代修剪和精细调优步骤等。
　　这些技术潜在的应用前景广阔，可能将会适应在移动设备上进行复杂模型的训练。例如，不需要延迟就可以得到语音识别结果。此外，如果运算所需要的空间和时间极大降低，我们就可以极高帧率(如30 FPS)查询一个模型，这样，在移动设备上也可以运用复杂神经网络模型，从而近乎实时地完成计算机视觉任务。
　　8.深度学习和强化学习继续交汇
　　虽然NIPS 2015上没有什么强化学习(reinforcement learning)的重要成果，但“深度强化学习”研讨会还是展现了深度神经网络和强化学习相结合的前景。
　　在“端对端”(end-to-end)机器人等领域出现了令人激动的进展，现在机器人已经可以一起运用深度和强化学习，从而将原始感官数据直接转化为实际动作驱动。我们正在超越“分类”等简单工作，尝试将“计划”与“行动”纳入方程。还有大量工作需要完成，但早期的工作已经使人感到兴奋。
　　9.难道你还没有使用批标准化？
　　批标准化(batch normalization)现在被视作评价一个神经网络工具包的部分标准，在NIPS 2015 上被不断提及。
　　10.神经网络研究与优化齐头并进
　　创造新的神经网络方法需要研究者，还需要能将它们迅速付诸实践的方法。谷歌的TensorFlow是少数能够做到这些的库：使用Python 或 C++等主流编程语言，研究者可以迅速创作新的网络拓扑图，接着在单一或多个设备(包括移动设备)上进行测试。对于人工智能的学习有哪些建议？ - 知乎218被浏览<strong class="NumberBoard-itemValue" title="2分享邀请回答cs.berkeley.edu/~russell/prog.htmlPC AI - Logic ProgrammingComputational LogicILOG, Inc.University of Washington: Constraint-Based SystemsDeclarative Systems & Software Engineering (DSSE) GroupExtreme SoftwareTopics in Information Processing 2CS24: Declarative LanguagesConstraint Logic Programmingcomp.lang.functional FAQMondrianJohn McCarthyScreamer Tool RepositoryLisp ResourcesMercury ProjectThe Miranda Programming LanguageMozart Programming SystemOz Programming SystemLogic Programming AssociatesCetus Links: PrologThe Scheme Programming LanguageCMU Scheme Repositoryhtml自然语言处理HNC自然语言理解处理网站comp.speech WWW Site [UK] - Information on speech technology products and software.Computational Semiotics and Fuzzy Linguisticsstract.htmlComputational SemioticsGrammar FormalismsGrammatical InferenceLINGUIST List virtual library"String Searching Algorithms" BookAGFL Grammar Work LabNatural Language Software Registry神经网络Neural Networks Tutorial ReviewImage Compression with Neural NetworksBackpropagator's ReviewBibliographies on Neural NetworksIntelligent Motion Control with an Artificial CerebellumKernel MachinesSome Neural Networks Research OrganizationsNeural Network Modeling in Vision ResearchNeural Networks and Machine LearningNeural Application SoftwareNeural Network Toolbox for MATLABNetlab SoftwareKunama Systems Limited人工智能综述AI Tutorial ReviewJournal of Artificial Intelligence ResearchThe Turing Test and IntelligenceAI Resourcesositories.htmlAI Programming ResourcesSome AI Research Organizations专家系统Introduction to Expert SystemsBerkeley Expert System Technology labJess, the Expert System Shell for the Java PlatformCLIPS: A Tool for Building Expert SystemsFuzzyCLIPS - Fuzzy Work(Expert System)Knowledge Acquisition for Expert Systems at Acquired IntelligenceHUGIN EXPERTComputer program designed to solve standard American crosswordsGEOMET Technologies, Inc.ExpLore Reasoning Systems: Business rule and expert system知识表示Knowledge RepresentationKnowledge Discovery In Databases: Tools and techniquesResource Description Framework (RDF) Schema Specification 1.0 ,W3C Candidate Recommendation 27 March 2000W3C Resource Description Framework Resource Description Framework (RDF), the W3C Standard for knowledge representation on the WebKnowledge Interchange Format (KIF)- Knowledge Interchange Format (KIF), a DARPA project based format for exchanging pieces of knowledge basesData Mining And Knowledge DiscoveryAI Knowledge-Based SystemsKnowledge Representation Resources机器学习Machine Learning TutorialReinforcement Learning:An IntroductionThe Journal of Machine Learning ResearchOnline Machine Learning ResourcesMachine Learning at AAAIActive Logic - inference engine that incorporates a history of their reasoningas they runMachine Learning in GamesMachine Learning GroupKnowledge Acquisition for Expert Systems at Acquired Intelligence机器人China Robotics Web SitesRobot Science & Technology - magazineMobile Robotics Research Group, Edinburgh Universityrobort topics and linksArnold goal to design a system of multiple robots, that are individually autonomous and can team up to cooperatively perform tasks.Modular Reconfigurable Robotics - research project from Xerox PARC to design small, autonomous robots that can be reconfigured and linked together to achieve different goals.Polypod - modular, reconfigurable robot that walks, rolls, and crawlsAustralia's Telerobot on the WebRoboCup: The Robot World Cup智能代理Intelligent Agent Tutorial ReviewA Perspective on Software Agents ResearchIntelligent Agents: Theory and PracticeSoftware Agents: An OverviewMobile Agents and the Future of the InternetIntelligent Agent Resource定理证明和高阶逻辑Proof Theory as an Alternative to Model TheoryFTP'2000Mathematical Reasoning GroupDescription of the HOL Theorem Proving SystemIsabelleSoftware, Theorem ProversInductive Theorem Prover INKA 4.0TABLEAUX演绎与推理Mechanized Reasoning SystemsInternational Journal of Approximate ReasoningCase-Based ReasoningDavid J.C. MacKay: Information Theory, Inference and Learning AlgorithmsExploring the Labyrinth of the MindTMYCIN: Medical Reasoning System/tmycin/0.htmlReasoning about Computational Resource AllocationQualitative Reasoning Research at UT AustinQualitative Reasoning Group, Northwestern UniversityFormal Reasoning GroupCase-Based ReasoningIntegrated Reasoning Group Overview模式识别Pattern Recognition TutorialPattern Recognition for HCIRailwayBridge: Medical Applications for Pattern ClassifiersBayesian motion estimation and segmentationFacial Expression Home PageKeith Price Bibliography Annotated Computer Vision Bibliography:IEEE Transactions on Pattern Analysis and Machine IntelligencePattern Recognition InformationDepartment of Cognitive and Neural Systems at Boston UniversityAttrasoft Neural Network Application Softwareoptical recognition objectives博弈论Computers, Games and the Real WorldMachine Learning in GamesHow Machines have Learned to Play Othello homepages/mic/ps/IEEE.pdfAmit's Thoughts on Path-FindingGame AIJournal & Book Publications on Othello ProgramsChinookProject: Von Neumann自适应READY: User-Oriented Resource-AdaptivityAlgorithms for Adaptive Sampling DesignsComplex Adaptive SystemsIntelligent Motion Control with an Artificial CerebellumPiranha and Adaptive ParallelismThe Adaptive Technology Resource CentreAdaptive Environments Center, Inc.Institute for Adaptive and Neural ComputationComplex Adaptive Systems Research基于规则系统Rule-Based SystemsRule-Based Systems OverviewConstraints and Rule-based SystemsRule-Based Systems: Mechanisms and Efficiency.pptPrinciples and Practice in Verifying Rule-Based SystemsImproving O & M Problem Diagnosis with Rule-Based Computer SystemsV, V&T of New Technology: Rule-Based SystemsThe Myth of Modularity In Rule-Based Sys'I'tems for Reasoning With UncertaintyRule-Based Diagnostic SystemsA Software Engineering Methodology for Rule-based SystemsUncertain Rule-Based Fuzzy Logic Systems: Introduction and New Directions (Book) 2001 ,store-562_banner-0_isbn-,00.htmlBuilding Rule-Based Systems (Course)ng_rule-based_systems.htmlMachine Learning: Rule-Based SystemsNeural Fuzzy Systems with Fuzzy Rule-Based SystemsProduction Systems for Rule-Based ProgrammingOn the Expressiveness of Rule-Based Systems for Reasoning with UncertaintyDecision Trees and Rule-Based SystemsMycin - Rule-Based SystemsmParallel Rule-Based SystemsRule-Based Systems - A Core Technology of Expert SystemsUsing Fuzzy Rule-Based Systems To Evaluatem Overall Financial Performance of GovernmentspdfAutomatic Design of Fuzzy Rule-Based SystemsRule-Based Data Mining (RBDM)Experiments in Knowledge Refinement for a Large Rule-Based SystemValidation of Intelligence in Large Rule-Based Systems with Common SenseUncertain Rule-Based Fuzzy Logic Systems for Wireless CommunicationsCLIPS Rule-Based LanguageFuzzy Rule-Based SystemsRule-based Expert Systems for Information RetrievalImplementing Rule-Based Online Expert SystemsFeasibility of General Purpose Rule-Based MT SystemsOptimization Of Real-Time Rule-Based Expert SystemsRule-Based Intrusion DetectionSet-Oriented Constructs for Rule-Based Systems人工智能应用Neural Application SoftwareLicense Plate and Container RecognitionPrime Time Freeware for AIThe MatterHorn Materials Discovery DatabaseDendral and Congenngen/0.htmlApplications of AI in EducationArtificial Intelligence Systems in Routine Clinical Use.TMYCIN: Medical Reasoning System/tmycin/0.htmlGEOMET Technologies, Inc.Tactical guidance system for military aircraft507 条评论分享收藏感谢收起tensorfly.cn/
TensorFlow的英文社区：
3.TensorFlow环境搭建
环境搭建本身并不复杂，主要解决相关的依赖。但是，基础库的依赖可以带来很多问题，因此，建议尽量一步到位，会简单很多。
（1）操作系统
我搭建环境使用的机器是腾讯云上的机器，软件环境如下：
操作系统：CentOS 7.2 64位（GCC 4.8.5）
因为这个框架依赖于python2.7和glibc 2.17。比较旧的版本的CentOS一般都是python2.6以及版本比较低的glibc，会产生比较的多基础库依赖问题。而且，glibc作为Linux的底层库，牵一发动全身，直接对它升级是比较复杂，很可能会带来更多的环境异常问题。
（2）软件环境
我目前安装的Python版本是python-2.7.5，建议可以采用yum install python的方式安装相关的原来软件。然后，再安装 python内的组件包管理器pip，安装好pip之后，接下来的其他软件的安装就相对比较简单了。
例如安装TensorFlow，可通过如下一句命令完成（它会自动帮忙解决一些库依赖问题）：
pip install -U tensorflow
这里需要特别注意的是，不要按照TensorFlow的中文社区的指引去安装，因为它会安装一个非常老的版本（0.5.0），用这个版本跑很多demo都会遇到问题的。而实际上，目前通过上述提供的命令安装，是tensorflow (1.0.0)的版本了。
Python（2.7.5）下的其他需要安装的关键组件：
tensorflow (0.12.1)，深度学习的核心框架
image (1.5.5)，图像处理相关，部分例子会用到
PIL (1.1.7)，图像处理相关，部分例子会用到
除此之后，当然还有另外的一些依赖组件，通过pip list命令可以查看我们安装的python组件：
appdirs (1.4.0)
backports.ssl-match-hostname (3.4.0.2)
chardet (2.2.1)
configobj (4.7.2)
decorator (3.4.0)
Django (1.10.4)
funcsigs (1.0.2)
image (1.5.5)
iniparse (0.4)
kitchen (1.1.1)
langtable (0.0.31)
mock (2.0.0)
numpy (1.12.0)
packaging (16.8)
pbr (1.10.0)
perf (0.1)
PIL (1.1.7)
Pillow (3.4.2)
pip (9.0.1)
protobuf (3.2.0)
pycurl (7.19.0)
pygobject (3.14.0)
pygpgme (0.3)
pyliblzma (0.5.3)
pyparsing (2.1.10)
python-augeas (0.5.0)
python-dmidecode (3.10.13)
pyudev (0.15)
pyxattr (0.5.1)
setuptools (34.2.0)
six (1.10.0)
slip (0.4.0)
slip.dbus (0.4.0)
tensorflow (1.0.0)
urlgrabber (3.10)
wheel (0.29.0)
yum-langpacks (0.4.2)
yum-metadata-parser (1.1.4)
按照上述提供的来搭建系统，可以规避不少的环境问题。
搭建环境的过程中，我遇到不少问题。例如：在跑官方的例子时的某个报错，AttributeError: 'module' object has no attribute 'gfile'，就是因为安装的TensorFlow的版本比较老，缺少gfile模块导致的。而且，还有各种各样的。（不要问我是怎么知道的，说多了都是泪啊~）更详细的安装说明：
（3）TensorFlow环境测试运行
测试是否安装成功，可以采用官方的提供的一个短小的例子，demo生成了一些三维数据, 然后用一个平面拟合它们（官网的例子采用的初始化变量的函数是initialize_all_variables，该函数在新版本里已经被废弃了）：#!/usr/bin/python
#coding=utf-8
import tensorflow as tf
import numpy as np
# 使用 NumPy 生成假数据(phony data), 总共 100 个点.
x_data = np.float32(np.random.rand(2, 100)) # 随机输入
y_data = np.dot([0.100, 0.200], x_data) + 0.300
# 构造一个线性模型
b = tf.Variable(tf.zeros([1]))
W = tf.Variable(tf.random_uniform([1, 2], -1.0, 1.0))
y = tf.matmul(W, x_data) + b
# 最小化方差
loss = tf.reduce_mean(tf.square(y - y_data))
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)
# 初始化变量,旧函数（initialize_all_variables）已经被废弃，替换为新函数
init = tf.global_variables_initializer()
# 启动图 (graph)
sess = tf.Session()
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)
# 得到最佳拟合结果 W: [[0.100
0.200]], b: [0.300]
运行的结果类似如下：
经过200次的训练，模型的参数逐渐逼近最佳拟合的结果（W: [[0.100 0.200]], b: [0.300]），另外，我们也可以从代码的“风格”中，了解到框架样本训练的基本运行方式。虽然，官方的教程后续会涉及越来越多更复杂的例子，但从整体上看，也是类似的模式。
步骤划分：
准备数据：获得有标签的样本数据（带标签的训练数据称为有监督学习）；
设置模型：先构建好需要使用的训练模型，可供选择的机器学习方法其实也挺多的，换而言之就是一堆数学函数的集合；
损失函数和优化方式：衡量模型计算结果和真实标签值的差距；
真实训练运算：训练之前构造好的模型，让程序通过循环训练和学习，获得最终我们需要的结果“参数”；
验证结果：采用之前模型没有训练过的测试集数据，去验证模型的准确率。
其中，TensorFlow为了基于python实现高效的数学计算，通常会使用到一些基础的函数库，例如Numpy（采用外部底层语言实现），但是，从外部计算切回到python也是存在开销的，尤其是在几万几十万次的训练过程。因此，Tensorflow不单独地运行单一的函数计算，而是先用图描述一系列可交互的计算操作流程，然后全部一次性提交到外部运行（在其他机器学习的库里，也是类似的实现）。所以，上述流程图中，蓝色部分都只是设置了“计算操作流程”，而绿色部分开始才是真正的提交数据给到底层库进行实际运算，而且，每次训练一般是批量执行一批数据的。16添加评论分享收藏感谢收起}