TensorFlow学习之路——入门

一、什么是TensorFlow？
TensorFlow™ 是一个采用数据流图（data flow graphs），用于数值计算的开源软件库。节点（Nodes）在图中表示数学操作，图中的线（edges）则表示在节点间相互联系的多维数据数组，即张量（tensor）。它灵活的架构让你可以在多种平台上展开计算，例如台式计算机中的一个或多个CPU（或GPU），服务器，移动设备等等。

关键：
1.TensorFlow是数据流图
2.节点(Nodes):在图中表示数学操作,也可以表示数据输入（feed in）的起点/输出（push out）的终点，或者是读取/写入持久变量（persistent variable）的终点。
3.图中线(edges)：表示节点之间联系的多维数据数组(即张量(tensor))，“线”表示“节点”之间的输入/输出关系
4.张量(tensor)：由列表组成，分为1维，2维，3维，4维等。1维张量可以看成是向量（vector）[1,2,3]，二位以上的张量可以看成多维的矩阵（matrix）[[1,2],[3,4]]

数据：TensorFlow的进给机制允许您在计算图中将数据注入任何Tensor。 因此，python计算可以将数据直接馈送到图中。

(接下来打算把TensorFlow的基本框架写出来)

1.数据集的定义
2.定义模型的输入，输出（定义占位符）
3.定义模型的参数（用变量定义）
4.定义模型的计算公式
5.定义损失函数，反馈学习算法
6.定义init用来初始化前面的变量
7.定义session来启动模型
8.模型训练的构造

（代码例子来自网络上）

from tensorflow.examples.tutorials.mnist import input_dataimport tensorflow as tfmnist = input_data.read_data_sets("MNIST_data/",one_hot=True)#定义一个占位符用来作为数据的输入x=tf.placeholder(tf.float32,[None,784])#W是模型的参数，b是模型的偏执W = tf.Variable(tf.zeros([784,10]))b = tf.Variable(tf.zeros([10]))#定义模型的计算，计算的结果作为softmax的输入y = tf.nn.softmax(tf.matmul(x,W) + b)#添加一个新的占位符用于输入正确值y_ = tf.placeholder("float",[None,10])#计算交叉熵作为模型的损失函数cross_entropy = -tf.reduce_sum(y_*tf.log(y))#用梯度下降算法以0.01的学习速率最小化交叉熵,当运行这个操作时，它用梯度下降算法训练你的模型，微调你的变量，不断减少成本。train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)#设置好模型，在运行计算之前，需要添加一个操作来初始化我们创建的变量init = tf.initialize_all_variables()  #初始化变量#定义一个sess用来启动模型，并初始化变量sess = tf.Session()  #启动图sess.run(init)    #初始化 #对模型进行训练，这里让模型循环训练1000次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})   #启动train_step，将变量填入数据    #test model    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}))