TensorFlow Tutorial¶
本周作业主要是一个有关tensorflow的指导教程。
编写并运行tensorflow需要以下几个步骤：
1.创建还没有被执行或者计算过的tensor（变量）
2.编写变量间相关操作
3.初始化tensor，代码如：init = tf.global_variables_initializer()
4.创建一个session。
5.运行session，所有相关操作都会被执行。
第4.5步骤代码如下：
with tf.Session() as session: # Create a session and print the output
session.run(init) # Initializes the variables
print(session.run(loss)) # Prints the loss
如果不进行第3,4,5步骤变量只是被定义出来但不会被计算，如下：
关于placeholder
placeholder相当于是一个占位符一样的东西，可以暂时不对其进行处理而在稍后对其赋值，而后面的这一过程称为feed data。
具体代码示例如下：
实际上，TensorFlow 程序一般可划分为两个流程：
- construction phase，构建过程，会构建出一个图（graph），即所谓的计算图（computation graph）
- evaluation phase，执行过程，使用 session 执行构建过程中生成的图中的操作；
而当定义计算所需要的操作时，你只是告诉tensorflow如何构建一个计算图，此时tensorflow可以有一些空缺来等着以后来填补，而当运行session的时候，你就是在告诉tensorflow来执行这个计算图。方法如下：
Method 1:
sess = tf.Session()
# Run the variables initialization (if needed), run the operations
result = sess.run(..., feed_dict = {...})
sess.close() # Close the session
Method 2:
with tf.Session() as sess:
# run the variables initialization (if needed), run the operations
result = sess.run(..., feed_dict = {...})
# This takes care of closing the session for you :)
对于之前完成的损失函数公式
tensorflow库中提供了更加简便的函数
tf.nn.sigmoid_cross_entropy_with_logits(logits = ..., labels = ...)
其中，z，y分别对应logits和labels。
作业中提供了一种称为one hot 的方法。将一个向量转变成能表示其的矩阵，示意图如下：
- tf.one_hot(labels, depth, axis)
labels为向量数组，depth为深度，即向量数组中的数据范围（0~depth-1），axis=0则表示跨行，用列向量表示；axis=1则表示跨列，用行向量表示，如上图就是axis=0的情况。
tensorflow中还提供了不少函数以简化编写，作业中要求完成的神经网络中给出了几个例子。
optimizer = tf.train.GradientDescentOptimizer(learning_rate = learning_rate).minimize(cost)
_ , c = sess.run([optimizer, cost], feed_dict={X: minibatch_X, Y: minibatch_Y})
在运行optimizer时，后向传播和优化会自动进行。