现实中，我们已经知道了F=1.8*C+32，那么如何使用机器学习通过训练获得这一结论呢？
而这个只需要几行代码就搞定了，真的很神奇。
代码
l0 = tf.keras.layers.Dense(units=1, input_shape=[1])
model = tf.keras.Sequential([l0])
model.compile(loss='mean_squared_error', optimizer=tf.keras.optimizers.Adam(0.1))
history = model.fit(celsius_q, fahrenheit_a, epochs=500, verbose=False)
model.predict([100.0])这个示例演示了任何机器学习问题的一般流程。你将根据相同的流程创建和训练神经网络并用模型做出预测。
训练流程
训练流程（发生在 model.fit(...) 当中）是指将网络的内部变量调整为最佳可能值，使它们能够将输入映射到输出。为了实现这个目标，我们将采用梯度下降法这一优化流程，它会使用数值分析找到模型内部变量的最佳可能值。
进行机器学习并不需要了解这些细节内容。但是如果你好奇的话：梯度下降法会以迭代方式调整参数，每次朝着正确的方向小幅更改参数，直到达到最佳值。“最佳值”是指再调整的话，会降低模型的效果。在每次迭代过程中衡量模型好坏的函数称为“损失函数”，每次调整的目标是“最小化损失函数”。
训练流程以前向传播开始，在此流程中，我们将输入数据提供给神经网络（请参见图 1）然后，模型将内部数学运算应用到输入和内部变量上，从而预测答案（在图 1 中，“模型预测出一个值”）。
在我们的示例中，输入是摄氏度数，模型预测出相应的华氏度数。
1、前向传播
预测出一个值后，模型将计算预测值与正确值之间的差值。这个差值称为损失，用于衡量模型执行映射任务的效果。我们使用损失函数计算损失，并且在调用 model.compile() 时通过损失参数指定损失函数。
计算损失后，模型将调整所有层级的内部变量（权重和偏差），从而最小化该损失，使输出值更接近正确值（请参见图 2）。
这个优化流程称为梯度下降法。我们会通过一个具体算法计算每个内部变量的新值，并且在调用 model.compile(...) 时用优化器参数指定该算法。在此示例中，我们使用的是 Adam 优化器。
现在你应该知道以下术语的含义了：
- 特征：模型的输入
- 样本：用于训练流程的输入/输出对
- 标签：模型的输出
- 层级：神经网络中相互连接的节点集合。
- 模型：神经网络的表示法
- 密集全连接层 (FC)：一个层级中的每个节点都与上个层级中的每个节点相连。
- 权重和偏差：模型的内部变量
- 损失：期望输出和真实输出之间的差值
- MSE：均方误差，一种损失函数，它会将一小部分很大的差值视作比大量很小的差值更糟糕。
- 梯度下降法：每次小幅调整内部变量，从而逐渐降低损失函数的算法。
- 优化器：梯度下降法的一种具体实现方法。（有很多算法。在这门课程中，我们将仅使用“Adam”优化器，它是 ADAptive with Momentum 的简称，并且被视为最佳优化器。）
- 学习速率：梯度下降过程中的损失改进“步长”。
- 批次：在训练神经网络的过程中使用的一组样本。
- 周期：完全经过整个训练数据集一轮
- 前向传播：根据输入计算输出值
- 反向传播：根据优化器算法计算内部变量的调整幅度，从输出层级开始，并往回计算每个层级，直到抵达输入层。
文章摘录于google Udacity教程。
