当今人工智能主流方向 —— 连接主义，即仿脑神经元连接，实现感性思维，如神经网络。
神经网络的一般设计过程：
- 准备数据：采集大量“特征/标签”数据
- 搭建网络：搭建神经网络结构
- 优化参数：训练网络获取最佳参数（反向传播）
- 应用网络：将网络保存为模型，输入新数据，输出分类或预测结果（前向传播）
前向传播
y = x * w + b，输入x，计算出y的过程叫做前向传播
损失函数：可预测值（y）与标准答案（y_）的差距，定量判断w、b的优劣。
当损失函数输出最小时，参数w、b会出现最优值。
均方误差是一种常用的损失函数。
梯度下降
目的：找到一组w、b，使得损失函数最小。
梯度：损失函数对各参数求偏导后的向量。损失函数梯度下降的方向，就是损失函数减小的方向。
梯度下降法：沿损失函数梯度下降的方向，寻找损失函数的最小值，得到最优参数的方法。
学习率 lr：梯度下降的速度。
学习率过小，参数更新会很慢；
学习率过大，参数更新会跳过最小值。
反向传播
首先设置反向传播迭代次数，在每次迭代中，根据下图公式，迭代更新所有参数。
反向传播（使用梯度下降法，使损失函数最小）
代码示例：
import tensorflow as tf
# w的初始值为5，设置为可训练
w = tf.Variable(tf.constant(5, dtype=tf.float32))
# 学习率为0.2
lr = 0.2
# 数据集喂入神经网络30次
epoch = 30
# 数据集级别的循环，每个epoch循环一次数据集
for epoch in range(epoch):
# 使用with结构定义loss函数，gradient函数告知谁对谁求导
with tf.GradientTape() as tape:
# 损失函数定义为（w+1）^2
loss = tf.square(w + 1)
grads = tape.gradient(loss, w)
# assign_sub函数：变量自减，即：w -= lr*grads
w.assign_sub(lr * grads)
print("After %s epoch,w is %f,loss is %f" % (epoch, w.numpy(), loss))
# 最终结果：损失函数最小值为 loss = 0.0，最优参数为 w = -1
输出结果：
