最近AlphaGo和AlphaZero的出现，预示着2017年成为人工智能元年，人工智能逐渐进入我们的生活和工作的方方面面，如在工作中，阿里巴巴双十一中，出现了“千人千面”智能推荐系统，鲁班AI设计师，小蜜机器人，IDC智能巡检机器人，还有京东的无人仓库等。这些都让我觉得人工智能越来越重要和越来越感兴趣，所以决定学习python和tensorflow。现在就以一个使用tensorflow构建一元线性模型开始我的人工智能学习吧。

人工智能，机器学习，深度学习关系

人工智能是计算机学科的一个分支，诞生于1956年。机器学习是人工智能的范畴，它包含了深度学习。深度是指多层的意思，模型经过多层的神经网络的训练，不断的学习和调整模型的参数，最后得到最优损失函数最小的模型。深度学习能够有效的处理现实生活中的“非线性”问题。tensorflow是目前最受欢迎的深度学习框架。

几个tensorflow的关键词语，张量，流，计算图。更多的建议阅读：《Tensorflow实战》

下面直接上最简单的一元线性回归模型代码： 电脑环境：

• python版本：3.6.3.
• tensorflow版本：cpu版，1.3
• window 7 64位
• IDE：PyCharm

import tensorflow as tfsession = tf.Session()# X轴参数w = tf.Variable([.3], dtype=tf.float32)# 偏移量b = tf.Variable([-.3], dtype=tf.float32)# x轴x = tf.placeholder(tf.float32)# 一元线性模型linear_model = w * x + b# 实际值y = tf.placeholder(tf.float32)# 观测值和实际值的误差的平方差squared_deltas = tf.square(linear_model - y)# 最少二乘法。损失函数loss = tf.reduce_sum(squared_deltas)# 优化器.优化函数optimizer = tf.train.GradientDescentOptimizer(0.01)train = optimizer.minimize(loss)# 初始化所有的变量init = tf.global_variables_initializer()session.run(init)# 开始训练。训练的过程就是结合优化函数使损失函数的损失最少x_train = [1,2,3,4]y_train = [0, -1,-2,-3]for i in range(1000):    session.run(train, {x: x_train, y: y_train})# 训练的结果curr_W, curr_b, curr_loss = session.run([w, b, loss], {x: x_train, y: y_train})print("W: %s b: %s loss: %s"%(curr_W, curr_b, curr_loss))复制代码

模型输出结果是：

W: [-0.9999969] b: [ 0.99999082] loss: 5.69997e-11复制代码

公式表示是：, 损失为：5.69997e-11