【tensorflow:Google】三、tensorflow入门

【一】计算图模型

节点是计算，边是数据流，

a = tf.constant( [1., 2.] )定义的是节点，节点有属性 a.graph

取得默认计算图　　g1 = tf.get_default_graph()

初始化计算图 　　g1 = tf.Graph()

设置default图 　　g1.as_default()

定义变量：　　　 tf.get_variable('v')

读取变量也是上述函数

对图指定设备　　g.device('/gpu:0')

可以定义集合来管理计算图中的资源，

加入集合　　tf.add_to_collection

获取集合　　tf.get_collection

自动管理一些集合

【二】数据模型——张量

所有的数据都用张量表示，n阶张量是n维数据，0维为标量(scalar)

张量中不保存数字，而是计算过程！得到的是对结果的一个引用。（如果还没run，那么一定是没结果的）

主要有三个属性：

1、名字

2、维度

3、数据类型

命名：节点的名称 + 是节点的第几个输出。节点本身没有这个数据类型，只有张量这个数据类型。

张量的使用

1、记录中间计算结果，提高代码可读性

2、计算图构造完成之后，获得计算结果（需要通过Session） tf.Session().run(result)

【三】运行模型——会话 Session

sess = tf.Session()

两种等价的表达：

　　sess.run(result)

　　result.eval(session = sess)

sess.close()

默认会话机制：

sess = tf.InteractiveSession()

之后.eval()不需要指定session参数

在生成session的过程中也可以使用config来管理，

config = tf.ConfigProto(并行的线程数，GPU分配策略，运算超时时间，)

allow_soft_placement的意思是不支持GPU的时候使用CPU。

log_device_placement是记录每个节点被安排在哪个设备上，方便测试。

【四】利用tensorflow实现神经网络

前向传播算法简介：就是一步一步传过来。。。完全没说参数是怎么训练的。。。

tf.Variable生成变量

tf.random_xxx是随机数生成函数

tf.matmul()矩阵乘法

前向传播过程：

1、定义变量、常量、矩阵乘法

2、初始化变量：　　sess.run(w1.initializer)

　　另外的方案：使用 init_op = tf.initialize_all_variables()    　　sess.run(init_op)来实现。

3、运行：　　sess.run(y)

变量是张量的一个特殊形式，一般有 .assign和.read方法，分别实现写/读功能

变量一般分两种：

1、可训练的：神经网络权重

2、不可训练：迭代轮数

优化算法的默认优化对象是tf.GraphKeys.TRAINABLE_VARIABLES里面的变量。

变量类型不可改变，但是变量维度可以改变

改变方式为 assign的时候加入参数 validate_shape=False

训练流程：

placeholder机制：定义一个位置，需要在程序运行的时候填充数据，

计算前向传播结果的伪代码：

init 权重variable

init x placeholder

init a = tf.matmul(x, w1)

sess = Session()

init_op = init_all

sess.run(init_op)

sess.run(y, feed_dict={x: [0.1, 0.2]})

接下来定义损失函数、反向传播算法

实现一个简单的神经网络解决手写数字识别问题！