学习笔记：tensorflow入门

tensorflow基本使用方法：

占位符：定义占位变量，占位变量在定义计算图时不会被指定，在执行计算图时被赋值，一般用于传入网络的数据

        tf.placeholder(tf.float32, shape = [None, ], name =  )

tensorflow的基本原理：

        with tf.name_scope():对使用Variable创建的变量作用

        with tf.variable_scope(): 对Variable创建的变量和get_variable创建的变量均有作用

创建变量：

        tf.Variable()

        tf.get_variable()

定义运算函数：

        例如：tf.sigmoid(tf.matmul(x, y) + z)

定义目标函数：

        需要再添加一个占位符，即 tf.placeholder(tf.float32, shape = [None, ], name =  )

        例如：l2正则下，loss = tf.nn,l2_loss(m-n)

扫描二维码关注公众号，回复： 1488174 查看本文章

定义优化器：

        例如：opt = tf.train.GradientDescentOptimizer()

        train_op = opt.minimizer(loss)

定义计算资源：

        with tf.device(")

完成计算：

        创建变量Session，Session将保存计算图中的变量信息用于完成计算,还需要对变量进行初始化

                with tf.Session() as sess:

                        sess.run(tf.gloable_variable_initializer())

                for iter in range(200)

                        loss_val, _ = sess.run([loss, train_op], feed_dict = {x: data_x, y:data_y})

                        if iter % 10 == 0:

                                print ('{}:loss={}', format(iter, loss_val))

基于MPI的数据并行模型

        MPI：Message Passing Interface，解决多进程通信问题

        Scatter：将一个进程的数据切片分成N份，每一个进程收到一份数据并将其分发给其他进程

        Gather：将多个进程数据聚集到单一进程中

        MPI_Bcast：广播，将一个进程的数据发送给所有进程