TensorFlow学习日记2

1. tf.app.run()

解析：TensorFlow提供的一个主程序入口，tf.app.run()会调用定义的main函数。

2. tf.group

3. tf.control_dependencies

4. tf.no_op

5. tf.cast

6. tf.get_variable

7. tf.variable_scope

8. Adagrad和Adadelta

9. tf.initialize_all_variables()

解析：添加一个操作对变量做初始化。

说明：用其它变量的值初始化一个新的变量时，使用其它变量的initialized_value()属性。

10. tf.train.Saver()

解析：

（1）saver = tf.train.Saver()

（2）save_path = saver.save(sess, "/tmp/model.ckpt")

（3）saver.restore(sess, "/tmp/model.ckpt")

说明：用tf.train.Saver()创建一个Saver来管理模型中的所有变量，用同一个Saver对象来恢复变量。

11. 启动TensorBoard

解析：python tensorflow/tensorboard/tensorboard.py --logdir=path/to/log-directory

说明：这里的参数logdir指向SummaryWriter序列化数据的存储路径。一旦TensorBoard开始运行，可以通过在浏览器

中输入localhost:6006来查看TensorBoard。   

12. TensorFlow读取数据

解析：

（1）CSV文件：从CSV文件中读取数据，需要使用tf.TextLineReader和decode_csv操作。

（2）固定长度的记录：从二进制文件读取固定长度纪录，使用tf.FixedLengthRecordReader的tf.decode_raw操作。

（3）标准TensorFlow格式：从TFRecords文件读取数据，使用tf.TFRecordReader的tf.parse_single_example操作。

说明：TensorFlow图表有两种连接关系：数据依赖和控制依赖。数据依赖显示两个操作之间的tensor流程，用实心箭

头指示，而控制依赖用点线表示。

13. TensorFlow变量作用域实例

解析：变量作用域机制在TensorFlow中主要由两部分组成，如下所示：

（1）tf.get_variable(<name>, <shape>, <dtype>, <initializer>)：通过所给的名字创建或返回一个变量。

（2）tf.variable_scope(<scope_name>)：通过tf.get_variable()为变量名指定命名空间。

说明：当tf.get_variable_scope().reuse == False时，作用域就是为创建新变量所设置的。当

tf.get_variable_scope().reuse == True时，作用域是为重用变量所设置的。

14. TensorFlow应用实例

解析：

（1）RankBrain：对www.google.com搜索排名大规模部署的深层神经网络。

（2）Inception Image Classification Model：研究高精确的计算机视觉模型，赢得了2014年Imagenet图像分类的挑战

（ILSVRC 2014）。

（3）SmartReply：基于深度LSTM模型的自动生成电子邮件回复。

（4）Massively Multitask Networks for Drug Discovery：基于深度神经网络模型的药物探索。

（5）On-Device Computer Vision for OCR：用设备内置的计算机视觉模型来做“光学字符识别”以实现实时翻译。

15. 在指定的设备上运行操作

解析：在with tf.device(name): context中创建操作（operation），这样可以在指定的设备上运行操作（operation）。

16. TensorFlow数据类型

解析：

（1）DT_FLOAT：tf.float32（32位浮点数）

（2）DT_DOUBLE：tf.float64（64位浮点数）

（3）DT_INT64：tf.int64（64位有符号整型）

（4）DT_INT32：tf.int32（32位有符号整型）

（5）DT_INT16：tf.int16（16位有符号整型）

（6）DT_INT8：tf.int8（8位有符号整型）

（7）DT_UINT8：tf.uint8（8位无符号整型）

（8）DT_STRING：tf.string（可变长度的字节数组，每一个张量元素都是一个字节数组）

（9）DT_BOOL：tf.bool（布尔型）

（10）DT_COMPLEX64：tf.complex64（由两个32位浮点数组成的复数：实数和虚数）

（11）DT_QINT32：tf.qint32（用于量化Ops的32位有符号整型）

（12）DT_QINT8：tf.qint8（用于量化Ops的8位有符号整型）

（13）DT_QUINT8：tf.quint8（用于量化Ops的8位无符号整型）

17. Feed

解析：把一个Tensor直接连接到一个会话图表中的任意节点。feed不是在构建图（graph）的时候创建，而是在触发

图的执行操作时去申请。一个feed临时替代一个带有 Tensor值的节点。把feed数据作为run()方法和eval()方法的参数

来初始化运算。方法运行结束后，替换的feed就会消失，而最初的节点定义仍然还在。可以通过tf.placeholder()把特

定的节点指定为feed节点来创建它们。

18. Fetch

解析：为了取回运算操作的输出结果。取回的申请发生在触发执行图操作的时候，而不是发生在建立图的时候。如果

要取回一个或多个节点（node）的Tensor值，可以通过在Session对象上调用run()方法并将待取回节点（node）的列

表作为参数来执行图表（graph）。

19. Mandelbrot Set

解析：曼德布洛特集合。

20. Python API r1.2 Guides [2]

解析：

（1）Tensor Transformations

（2）Asserts and boolean checks

（3）Running Graphs

（4）Constants, Sequences, and Random Values

（5）BayesFlow Entropy (contrib)

（6）BayesFlow Monte Carlo (contrib)

（7）BayesFlow Stochastic Graph (contrib)

（8）BayesFlow Stochastic Tensors (contrib)

（9）BayesFlow Variational Inference (contrib)

（10）Copying Graph Elements (contrib)

（11）CRF (contrib)

（12）Random variable transformations (contrib)

（13）Statistical Distributions (contrib)

（14）FFmpeg (contrib)

（15）Framework (contrib)

（16）Graph Editor (contrib)

（17）Integrate (contrib)

（18）Layers (contrib)

（19）Learn (contrib)

（20）Linear Algebra (contrib)

（21）Linear Algebra (contrib) 

（22）Losses (contrib)

（23）Metrics (contrib) 

（24）Optimization (contrib)

（25）RNN and Cells (contrib) 

（26）Seq2seq Library (contrib) 

（27）Staging (contrib)

（28）Training (contrib)

（29）Utilities (contrib)

（30）Control Flow 

（31）Building Graphs 

（32）Higher Order Functions 

（33）Histograms 

（34）Images

（35）Python API Guides 

（36）Inputs and Readers 

（37）Math

（38）Neural Network

（39）Data 10 (Python functions)

（40）Wraps python functions

（41）Tensor Handle Operations

（42）Sparse Tensors

（43）Spectral Functions

（44）Variables

（45）Strings

（46）Summary Operations Testing

（47）TensorFlow Debugger Training

（48）Training

参考文献：

[1] TensorFlow：实战Google深度学习框架        

[2] TensorFlow API Documentation：https://www.tensorflow.org/api_docs/