计划：<br />
1.学习tensorflow模块
第一周学习小结：
一、降低损失
1）迭代方法
“模型”部分将一个或多个特征作为输入，然后返回一个预测 (y') 作为输出。将模型看成理想模型的话，可用线性公式表示：
w为权重，b为偏差
使用迭代方法,在训练机器学习模型时，首先对权重和偏差进行初始猜测，然后反复调整这些猜测，直到获得损失可能最低的权重和偏差为止。
2)梯度下降法
假设我们有时间和计算资源来计算权重 的所有可能值的损失。可得出所产生的损失与权重的图形始终是凸形
凸形问题只有一个最低点；即只存在一个斜率正好为 0 的位置。这个最小值就是损失函数收敛之处。这样就可以利用梯度下降的方法，来计算最低。
利用正梯度计算时，计算结果得出的权重值始终会走向损失增长的方向，所以需要利用负梯度的计算方法。初始值的取值并不影响结果，所以不需要考虑
二、构建简单的神经网络
1）创建神经层layer
2)创建神经网络的基本结构
创建随机输入参数inputs：
构建所需的数据。 这里的x_data和y_data并不是严格的一元二次函数的关系，因为我们多加了一个noise,这样看起来会更像真实情况。
使用占位符placeholde定义所需的神经网络的输入。1代表输入只有一个特征
定义神经层。 通常神经层都包括输入层、隐藏层和输出层。这里的输入层只有一个属性， 所以我们就只有一个输入，假设我们有十个神经元，即有十个隐藏层
计算
在创建神经层时候定义了Variable变量，所以必须要初始化变量：
开始训练:
利用matplotlib观察训练结果可知，机器学习逐渐减少误差，最终形成一条最接近超参数的曲线
