tensorflow學習一

1.用圖（graph)來表示計算任務

2.用op(opreation)來表示圖中的計算節點，圖有默認的計算節點，構建圖的過程就是在其基礎上加節點。

3.用tensor表示每個op的輸入輸出數據，可以使用feed,fetch可以為任意操作設置輸入和獲取輸出。

4.通過Variable來維護狀態。

5.整個計算任務放入session的上下文來執行。

 

 

tensorflow把復雜的計算放在python之外進行。

 

為什么tensorflow使用session來運行會話？

因為python會使用一些非python實現的庫比如numpy,如果每個操作和數據都做內外交換代價太大，

所以把所有操作描述為圖，把整個操作圖打包放入session,作為一個整體做內外交換，這樣就能避免頻繁的內外交換帶來的性能損失。

 

 

一般步驟

 

#導入庫

import tensorflow as tf

import numpy as np

 

 

 

# 通過操作符號變量來描述這些可交互的操作單元

x = tf.placeholder("float", [None, 784]) # 這里的 None 表示此張量的第一個維度可以是任何長度的

 

#定義變量

# 一個 Variable 代表一個可修改的張量，存在在TensorFlow的用於描述
#交互性操作的圖中。它們可以用於計算輸入值，也可以在計算中被修改。對於各種機器學習應用，一般都會有模

#型參數，可以用 Variable 表示

 

W = tf.Variable(tf.zeros([784,10]))

b = tf.Variable(tf.zeros([10]))

 

#實現模型

 

y = tf.nn.softmax(tf.matmul(x,W) + b)

 

#定義指標評估模型的好壞

#我們通常定義指標來表示一個模型是壞的，這個指標稱為成本（cost）或損失（loss），然后盡量最小化這個指標

 

y_ = tf.placeholder("float", [None,10])

cross_entropy = -tf.reduce_sum(y_*tf.log(y))

 

#使用梯度下降算法來修改變量減小成本

train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

 

 

#初始化

init = tf.initialize_all_variables()

 

#啟動模型

sess = tf.Session()

sess.run(init)

 

#訓練模型

for i in range(1000):
batch_xs, batch_ys = mnist.train.next_batch(100)

sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})

 

#評估模型

correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))

accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))

print sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels})

 

 

 

1. exp函數，自然對數e（ 2.71828）的指數函數

 

2. normalize函數，歸一化函數，把數據范圍限制在你需要的范圍（范圍縮放）。

 

3.交叉熵

 

4.導數，導函數，切線，斜率，方差代價函數