本文及相關索引已經過時，擁抱2.0吧。另外這幾年TF的官方文檔比之前整潔了不少，建議學習以官方文檔為主。
TensorFlow2.x快速入門：https://tf.wiki/zh/basic/tools.html
+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
TensorFlow：官方文檔
TensorFlow：項目地址
本篇列出文章對於全零新手不太合適，可以嘗試TensorFlow入門系列博客，搭配其他資料進行學習。
Keras使用tf.Session訓練方法教程
一、API介紹
基礎操作列表
常用基礎操作
流程控制
『PyTorch』第六彈_最小二乘法對比PyTorch和TensorFlow ：參數更新機制分析，流程控制初探
神經網絡構建
『TensorFlow』網絡操作API_上 ：卷積層，池化層，激活函數（含dropout和bias_add）
層/網絡解析與實現
『教程』CapsNet 架構 & TensorFlow 實現
『TensorFlow』讀書筆記_Inception_V3_上
『TensorFlow』讀書筆記_Inception_V3_下
『PyTorch × TensorFlow』第十七彈_ResNet快速實現
優化器&梯度操作
.minimize
- compute_gradients
- apply_gradients
『TensorFlow』網絡操作API_下 ：優化器相關接口
『TensorFlow』梯度優化相關 ：梯度操作
集合操作與正則化實現
『TensorFlow』使用集合collection控制variables
#集合轉換為字典，{節點名：輸出張量值}
end_points = slim.utils.convert_collection_to_dict(end_points_collection)
# 收集 & 獲取 變量
tf.add_to_collection("loss",mse_loss)
tf.add_n(tf.get_collection("loss"))
損失函數
『TensorFlow』網絡操作API_中 ：損失函數以及分類器
模型載入
命令行解析
線程操作&數據讀取
Dataset API讀取數據
『TensorFlow』數據讀取類_data.Dataset
傳統數據讀取方法
『TensorFlow』TFR數據預處理探究以及框架搭建 ：基於queue處理TFR數據
線程控制器原理：
監視tensorflow所有后台線程，有異常出現(主要是越界，資源循環完了)時，其should_stop方法就會返回True，而它的request_stop方法則用於要求各個線程安全退出。需要使用local變量，初始化時注意。
常規圖片數據讀取方式：
img_bytes = tf.read_file(FLAGS.style_image)
image = tf.image.decode_png(img_bytes)
涉及隊列操作時報錯可能解決辦法
OutOfRangeError (see above for traceback): FIFOQueue '_1_input_producer' is closed and has insufficient elements (requested 1, current size 0) [[Node: ReaderReadV2 = ReaderReadV2[_device="/job:localhost/replica:0/task:0/cpu:0"](WholeFileReaderV2, input_producer)]]
因為局部變量（local variables）沒有初始化，將初始化變量語句改為
全局變量初始化：tf.global_variables_initializer().run()
局部變量初始化：tf.local_variables_initializer().run()
不再報錯。局部變量很少，一般都是系統自己創建的變量，如記錄訓練進度的epoch。
可視化相關
ctrl + 鼠標滑輪 可以放大&縮小tensorboard中所有的頁面
命名空間設置好：添加記錄節點 -> 匯總記錄節點 -> run匯總節點 -> [書寫器生成]書寫入文件 [-> 刷新緩沖區]
# 書寫器生成，會自動記錄指定圖
tf.summary.FileWriter('./', sess.graph)
# 張量記錄
tf.summary.histogram(layer_name+'/weights',Weights)
# 標量記錄
tf.summary.scalar = ('loss',cross_entropy)
# 記錄激活
merged = tf.summary.merge_all()
# 書寫器生成
train_writer = tf.summary.FileWriter('logs/train',sess.graph)
# run記錄
train_result = sess.run(merged, feed_dict={xs: X_train, ys: y_train, keep_prob:1})
# 書寫記錄
train_writer.add_summary(train_result,i)
# 刷新緩沖區，立即寫入文件
train_writer.flush()
slim模塊
二、TensorFlow的tips
節點和張量
節點張量鋪設好了之后，只要不加sess.run()，可以運行腳本檢查張量節點是否匹配，無需傳入實際數據流。
'conv1'指節點，'conv1:0'指節點輸出的第一個張量。
sess上下文環境中的函數調用即使不傳入sess句柄，函數體內也存在於默認的sess環境中，可以直接sess.run()。
image_holder = tf.placeholder(tf.float32,[None, None, None, 3])，使用None回避指定大小。
sess實際運行單機模式時，會提取目標節點的所有前置依賴構建成子圖，然后按照設備划分成多個局部圖，局部圖根據依賴先后關系對節點進行加載
設備指定使用tf.device('/cpu:0')上下文操作，且支持嵌套，邏輯於slim的scope一致
查看信息版本安裝路徑
import tensorflow as tf
tf.__version__ # 版本
tf.__path_ # 路徑
# __看着是一個下划線，實際上是兩個下划線
通常張量的Feed
TensorFlow中所有張量而不僅是占位符都是可以feed的，如果有feed，其優先級大於圖中的計算流程。