tensorflow(二)

使用图来表示计算任务

在被称之为session的上下文中执行图

使用tensor表示数据

通过变量来维护状态

使用feed和fetch可以为任意的操作复制或者从其中获取数据

tensorflow是一个编程系统，使用图来表示计算任务，图中的节点称之为op，一个op获得0个或多个tensor，执行计算，长生0个或多个tensor，tensor看作是一个n维的数组或列表。图必须在会话里启动。

import tensorflow as tf
state = tf.Variable(0,name='counter')
new_value = tf.add(state,1)
update = tf.assign(state,new_value)
init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    print(sess.run(state))
    for _ in range(5):
        sess.run(update)
        print(sess.run(state))

batch_size = 100
n_batch = mnist.train.num_examples //batch_size

x = tf.placeholder(tf.float32,[None,784])
y = tf.placeholder(tf.float32,[None,10])

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

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

loss = tf.reduce_mean(tf.square(y - prediction))

train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)

softmax函数