TensorFlow中文手册

注意：本文只为读书笔记。

第一章 起步

- 起步
  - [介绍](SOURCE/get_started/introduction.md)
  - [下载及安装](SOURCE/get_started/os_setup.md)
  - [基本用法](SOURCE/get_started/basic_usage.md)

第二章 基础教程

- 教程
  - [总览](SOURCE/tutorials/overview.md)
  - [MNIST 机器学习入门](SOURCE/tutorials/mnist_beginners.md)
  - [深入 MNIST](SOURCE/tutorials/mnist_pros.md)
  - [TensorFlow 运作方式入门](SOURCE/tutorials/mnist_tf.md)
  - [卷积神经网络](SOURCE/tutorials/deep_cnn.md)
  - [字词的向量表示](SOURCE/tutorials/word2vec.md)
  - [递归神经网络](SOURCE/tutorials/recurrent.md)
  - [曼德布洛特(Mandelbrot)集合](SOURCE/tutorials/mandelbrot.md)
  - [偏微分方程](SOURCE/tutorials/pdes.md)
  - [MNIST数据下载](SOURCE/tutorials/mnist_download.md)

第三章 运作方式

- 运作方式
  - [总览](SOURCE/how_tos/overview.md)
  - [变量:创建、初始化、保存和加载](SOURCE/how_tos/variables.md)
  - [TensorBoard:可视化学习](SOURCE/how_tos/summaries_and_tensorboard.md)
  - [TensorBoard:图表可视化](SOURCE/how_tos/graph_viz.md)
  - [读取数据](SOURCE/how_tos/reading_data.md)
  - [线程和队列](SOURCE/how_tos/threading_and_queues.md)
  - [添加新的Op](SOURCE/how_tos/adding_an_op.md)
  - [自定义数据读取](SOURCE/how_tos/new_data_formats.md)
  - [使用gpu](SOURCE/how_tos/using_gpu.md)
  - [共享变量](SOURCE/how_tos/variable_scope.md) 

第四章 Python API

第五章 C++ API

第六章 资源

- 资源
  - [总览](SOURCE/resources/overview.md)
  - [BibTex 引用](SOURCE/resources/bib.md)
  - [示例使用](SOURCE/resources/uses.md)
  - [FAQ](SOURCE/resources/faq.md)
  - [术语表](SOURCE/resources/glossary.md)
  - [Tensor排名、形状和类型](SOURCE/resources/dims_types.md)

第七章 其他

- 其他
  - [常见问题汇总](SOURCE/faq.md)
  - [相关资源](SOURCE/resource.md)
  - [个人学习心得](SOURCE/personal.md)

第一章 起步

TensorFlow安装？

http://www.cnblogs.com/2008nmj/p/8710527.html

第二章 基础教程

2.1 MNIST机器学习入门

2.1.1 The MNIST Data | MNIST数据集

2.1.2 Softmax回归介绍

evidence_i是指x属于数字i的证据  x_j是784个像素。这是图像x是属于类i的可能。

这里i属于0-9共10个数，W为10x784，x为784个像素元的矢量。

将evidence_i转换为y，(利用softmax函数)，

像素xj属于类yi的可能性 共有784x10个乘法要计算 对应的公式方程为：

更进一步，可以写成更加紧凑的方式：

y=softmax(Wx+b)

2.1.3 实现回归模型

为了在python中高效的进行数值计算，我们通常会调用如Numpy外部函数库，把类似矩阵乘法这样的复杂运算使用其他外部语言实现。不幸的是，从外部计算切换回Python的每一个操作，仍然是一个很大的开销。如果你用GPU来进行外部计算，这样的开销会更大。用分布式的计算方式，也会花费更多的资源用来传输数据。

TensorFlow也把复杂的计算放在python之外完成，但是为了避免前面说的那些开销，它做了进一步完善。TensorFlow不单独地运行单一的复杂计算，而是让我们可以先用图描述一系列可交互的计算操作，然后全部一起在Python之外运行。（这样类似的运行方式，可以在不少的机器学习库中看到。）

forwithy@forwithy-virtual-machine:~$ python
Python 2.7.6 (default, Oct 26 2016, 20:30:19)
[GCC 4.8.4] on linux2
Type "help", "copyright", "credits" or "license" for more information.
>>> import tensorflow as tf
>>> import input_data
>>> mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
Extracting MNIST_data/train-images-idx3-ubyte.gz
Extracting MNIST_data/train-labels-idx1-ubyte.gz
Extracting MNIST_data/t10k-images-idx3-ubyte.gz
Extracting MNIST_data/t10k-labels-idx1-ubyte.gz
>>> x = tf.placeholder("float", [None, 784])
>>> W = tf.Variable(tf.zeros([784, 10]))
>>> b = tf.Variable(tf.zeros([10])
>>> y = tf.nn.softmax(tf.matmul(x, W) + b)

2.1.4 训练模型

为了训练我们的模型，我们首先需要定义一个指标来评估这个模型是好的。其实，在机器学习，我们通常定义指标来表示一个模型是坏的，这个指标称为成本（cost）或损失（loss），然后尽量最小化这个指标。但是，这两种方式是相同的。

一个非常常见的，非常漂亮的成本函数是“交叉熵”(cross-entropy)。交叉熵产生于信息论里面的信息压缩编码技术，但是它后来演变成为从博弈论到机器学习等其他领域

里的重要技术手段。它的定义如下：

其中y是我们预测的概率分布，y'是实际的分布（我们输入的one-hot vector）。比较粗糙的理解是，交叉熵是用来衡量我们的预测用于描述真相的低效性。更详细的关于交叉熵的解释超出本教程的范畴，但是你很有必要好好理解它。

>>> y_ = tf.placeholder("float", [None, 10])
>>> cross_entropy = -tf.reduce_sum(y_*tf.log(y))
>>> train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
>>> init = tf.initialize_all_variables()
>>> sess = tf.Session()
I tensorflow/core/common_runtime/local_device.cc:40] Local device intra op parallelism threads: 1
I tensorflow/core/common_runtime/direct_session.cc:58] Direct session inter op parallelism threads: 1
>>> sess.run(init)
>>> 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})
... 

>>>
>>> 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.labls})
0.9188

2.1.5 Evaluating Our Model || 评估我们的模型

首先让我们找出那些预测正确的标签。tf.argmax()是一个非常有用的函数，它能给你在一个张量里沿着某条轴的最高条目的索引值。比如， tf.argmax(y,1)是模型认为每个输入最有可能对应的那些标签，而tf.argmax(y_,1)代表正确的标签。

2.2 深入 MNIST

https://tensorflow.googlesource.com/tensorflow/+/master/tensorflow/g3doc/tutorials/mnist/