TessorFlow学习 之 序言

---

2017.10.23日记录：

　　感觉平时自己学的还不错的，可是面试的时候才发现自己是个渣渣~~，真的感觉学习不能闭门造车！

　　面试了图像处理算法工程师-->>

　　　　　　1.精通哪门语言？C、C++、Py ？你会C++是吧？那你说static变量在什么时候被分配内存的？懵逼的干活。。。

　　　　　　2.你会图像处理？那你用什么进行程序优化的？用几个线程对程序进行控制的？能写出来算法就不错了。。。

　　　　　　3.你会深度学习吗？不会？现在不用深度学习做图像的貌似很少吧？

　　　　　　4.三维重建、视频处理你会吗？GGG。。。

　　总结：　A.opencv会了只代表你是机械学生会了CAD。貌似这个大家都懂！

　　　　　　B.可以利用opencv处理一些图像，或者自己加一点算法，只代表你会CAD画一些工程图。貌似这个出去要么找不到工作，要么就是一个绘图员！

　　　　　　C.会三维重建，相当于机械会了UG、SW、ProE、CT，就是实体化一些东西给人感觉好多了。

　　　　　　D.会深度学习，相当于机械会了造东西，这个时候我们可以做一些东西，比如：人脸识别系统、指纹识别。。。

　　　　　　F.会优化程序，相当于会改进别人做的东西，就是模仿改造了，公司喜欢这样的人。

　　　　　　G.会把理论变成现实，就是看别人论文用程序实现，这个了不得接私活完全成为大Boss了。

　　　　　　H.自己创造算法，貌似只有数学系或者博士等的研究者吧？

　　个人发展：

　　　　　　第三步进行中。。。。。。

---

TessorFlow初探：

　　图像处理用C++，深度学习用Python，至于以后QT的开发以后再说。

　　安装不用说了--->>>

　　来个小例子，当时我花了一个多星期弄懂原理和编写程序，现在几分钟：

 import tensorflow as tf
 import numpy as np

 if __name__ == '__main__':
     # 创建训练数据
     x_data = np.random.rand(100).astype(np.float32)
     y_data = x_data * 0.5 + 0.1
     # 随机产生一个W,B的值
     Weights = tf.Variable(tf.random_uniform([1], -10, 10))
     Baises = tf.Variable(tf.random_uniform([1], -10, 10))

     y = Weights * x_data + Baises
     #创建TF训练模型结构
     loss = tf.reduce_mean(tf.square(y - y_data))
     optimizer = tf.train.GradientDescentOptimizer(0.5)
     train = optimizer.minimize(loss)
     init = tf.initialize_all_variables()
     #初始化运行
     sess = tf.Session()
     sess.run(init)
     #实时查看
     for step in range(201):
         sess.run(train)
         if step%20 ==0:
             print(step,sess.run(Weights),sess.run(Baises))

训练一个y=kx+b的模型，K、B参数不断进行梯度更新，目标：k = 0.5, b = 0.1

看着训练的结果，实在是太棒了，但是我现在还不了解具体什么意思。。。后面继续努力学习

---

TF结构分析

刚拿到TF，买了两本书（网上最火的两本，你懂得），看了几个小时完全不懂，看了莫凡大神的代码之后感觉恍然大悟，程序员你不上代码光看书，逗我呢？

TF--->>>Session

　　简单理解，一个执行的函数，相当于单片机上面的led.init()、Tick.init()....就是你程序写好之后，TF是不运行的，必须进过Session去运行才可以!

　　例一：

 import tensorflow as tf
 import numpy as np

 if __name__ == '__main__':
     matrax1 = tf.constant([[1,2,3]])#相当于np.array(),建立一行三列数据
     matrax2 = tf.constant([[1],[2],[3]])
     project = tf.matmul(matrax1,matrax2)#相乘
     sess = tf.Session()#建立一个Session
     result = sess.run(project)#用Session去运行matmul乘法
     print(result)
     sess.close()

　　例二：

 import tensorflow as tf
 import numpy as np

 if __name__ == '__main__':
     matrax1 = tf.constant([[1,2,3]])#相当于np.array(),建立一行三列数据
     matrax2 = tf.constant([[1],[2],[3]])
     project = tf.matmul(matrax1,matrax2)#相乘

     with tf.Session() as sess:#相当于 sess = tf.Session(),读取结束之后自动关闭==sess.close()
         print(sess.run(project))

TF--->>>Variable

　　变量，可以更新的数，相当于一个字典（比字典强大），使用的时候得初始化

 import tensorflow as tf
 import numpy as np

 if __name__ == '__main__':

     state = tf.Variable(0,name="count")     #定义一个变量值为0，名字是count，相当于字典
     ones = tf.constant(1)                   #常量const
     new_value = tf.add(state,ones)          #相加
     up_data = tf.assign(state,new_value)    #更新state，不是C语言的指针不能直接更新，相当于等于号
     init = tf.global_variables_initializer()    #只要有Variable变量，就需要初始化
     with tf.Session() as sess:
         sess.run(init)
         for _ in range(3):
             print(sess.run(up_data))

TF--->>>placeholder

　　可以输入的变量，相当于getchar()

　　Tensorflow 如果想要从外部传入data, 那就需要用到 tf.placeholder(), 然后以这种形式传输数据 sess.run(***, feed_dict={input: **}).

 import tensorflow as tf
 import numpy as np

 if __name__ == '__main__':

     input1 = tf.placeholder(tf.float32)
     input2 = tf.placeholder(tf.float32)
     output = tf.multiply(input1,input2)
     with tf.Session() as sess:
         print(sess.run(output,feed_dict={input1:[7.],input2:[10.]}))

参考莫凡大大的网站：https://morvanzhou.github.io/