安装

在我的 Macbook Pro 上进行的测试，直接使用 pip 来安装：

pip install tensorflow --user

另外搜索到了一个更高层次封装 tensorflow 的 tflearn

pip install --upgrade git+https://github.com/tflearn/tflearn.git --user

示例

tflearn 有个 quickstart 示例，使用了 titanic 乘客存活的数据集，通过预处理数据、建立深度神经网络、训练样本得出模型，然后模拟 jack 和 rose 的存活率，挺有意思的。

直接拷贝 quickstart 最后的 source code 下来运行即可，结果如下：

DiCaprio Surviving Rate: 0.144554823637  
Winslet Surviving Rate: 0.908187091351

每次运行，其实结果不是一样的，但是 rose 从来没有低过 80% ，而 jack 从来没有高于 20% ，可怜的小李子！

我的上篇文章提到了收集了好几年的广州市菜篮子，最后提到了空心菜的价格与天气情况息息相关，所以这次我顺便收集了这几年广州的天气情况，使用这些天气数据，结合空心菜价格，看看能不能利用 tflearn 建立价格与天气的模型，然后根据天气来预测空心菜的价格。

历史数据比较难找，最后抓取了这个网站，从 2013-01-01 到 2016-12-31 的数据，整理成如下格式：

2016-12-31,21,11,0

第一列是日期，第二列是当天最高温度，第三列是最低温度，最后一列是是否下雨，0 表示不下雨， 1 表示下雨。为什么要关注是否下雨，是因为生活经验告诉我们，连续的雨天菜价会大概率飙升。

因为菜价通常是联系到前一天的天气 (毕竟菜是前一天收割的吧) ，因此我取了 2013-01-02 到 2017-01-01 的空心菜价格数据，整合最后的数据集格式如下：

0,24,18,0  
1,11,9,1

前面的第一列表示当天的价格是否超过了 7.7 元/公斤 (为什么是这个数？其实只是为了方便我验证)，超过了为 1，没超过为 0。第二到第四列分别为前一天的最高温度、最低温度和是否有雨。

由于上一步已经整理好的数据，不需要 ignore 不必要的数据，所以 preprocess 函数直接返回 np.array(data, dtype=np.float32)
features (不知道怎么翻译) 只有3个，所以 net = tflearn.input_data(shape=[None, 3])

d1 = [24, 13, 0]  
d2 = [15, 8, 0]  
d3 = [13, 6, 0]  
d4 = [11, 4, 0]

结果如下：

d1: 0.272275656462  
d2: 0.462707459927  
d3: 0.5154504776  
d3: 0.567851483822

很明显可以看到，天气越冷空心菜的价格越大概率会高。

再测试下是否下雨的情况：

d1 = [24, 13, 0]  
d2 = [24, 13, 1]  
d3 = [15, 8, 0]  
d4 = [15, 8, 1]

结果：

d1: 0.206400573254  
d2: 0.243134364486  
d3: 0.396896421909  
d3: 0.448378354311

也明显可以得出，前一天下雨的情况下，价格会比不下雨要高。