. 首先 Numpy： Numpy是Python的科学计算库，提供矩阵运算. 想想list已经提供了矩阵的形式，为啥要用Numpy，因为numpy提供了更多的函数。
使用numpy，首先要导入numpy: import numpy as np
使用numpy创建数组以list 或tuple作为参数： np.array([,,,]) np.array((1.2,,,))
使用numpy可以指定数据类型： numpy.int32, numpy.int16, numpy.float64
np.array((,,,),dtype=np.int32) 使用numpy.arange方法： np.arange() [ ]
np.arange().reshape(,) [[ ][ ]]
使用numpy.linspace方法：np.linspace(,,) 在1到3之间产生9个数[. 1.25. 1.5. 1.75. . 2.25. 2.5. 2.75. .] 还可以使用 numpy.zeros, numpy.ones, numpy.eye 等方法
查询属性： .ndim 维数， .shape 大小， dtype 元素类型、、、
操作： sum, a.sum(), a.sum(axis=) 计算每一列的和，
min, a.min(), a.max(), np.sin(a), np.floor(a), np.exp(a)
合并： np.vstack((a,b)) 竖拼
np.hstack((a,b)) 横拼 数组索引
索引数组中的一个值： a[,]
索引数组中的一行： a[,:]
索引数组中的一个范围：a[,:] scipy: 包括统计，优化，整合，线性代数。。。
scikit-learn: 机器学习 matplotlib: 绘图系统
import tensorflow as tf
import numpy
import matplotlib.pyplot as plt
rng = numpy.random # Parameters
learning_rate = 0.01
training_epochs = 2000
display_step = 50 # Training Data
train_X = numpy.asarray([3.3,4.4,5.5,6.71,6.93,4.168,9.779,6.182,7.59,2.167,7.042,10.791,5.313,7.997,5.654,9.27,3.1])
train_Y = numpy.asarray([1.7,2.76,2.09,3.19,1.694,1.573,3.366,2.596,2.53,1.221,2.827,3.465,1.65,2.904,2.42,2.94,1.3])
n_samples = train_X.shape[0] # tf Graph Input
X = tf.placeholder("float")
Y = tf.placeholder("float") # Create Model # Set model weights
W = tf.Variable(rng.randn(), name="weight")
b = tf.Variable(rng.randn(), name="bias") # Construct a linear model
activation = tf.add(tf.mul(X, W), b) # Minimize the squared errors
cost = tf.reduce_sum(tf.pow(activation-Y, 2))/(2*n_samples) #L2 loss
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost) #Gradient descent # Initializing the variables
init = tf.initialize_all_variables() # Launch the graph
with tf.Session() as sess:
sess.run(init) # Fit all training data
for epoch in range(training_epochs):
for (x, y) in zip(train_X, train_Y):
sess.run(optimizer, feed_dict={X: x, Y: y}) #Display logs per epoch step
if epoch % display_step == 0:
print "Epoch:", '%04d' % (epoch+1), "cost=", \
"{:.9f}".format(sess.run(cost, feed_dict={X: train_X, Y:train_Y})), \
"W=", sess.run(W), "b=", sess.run(b) print "Optimization Finished!"
print "cost=", sess.run(cost, feed_dict={X: train_X, Y: train_Y}), \
"W=", sess.run(W), "b=", sess.run(b) #Graphic display
plt.plot(train_X, train_Y, 'ro', label='Original data')
plt.plot(train_X, sess.run(W) * train_X + sess.run(b), label='Fitted line')
plt.legend()
plt.show()
输出：
