Tensor flow临时总结

Tensorflow 突发奇想地总结

你学的这些知识，将来工作又不用得到，那你学这个有什么意义？

1、可以把tensorflow 想象成汇编，即：

汇编拥有DataSegment 、 CodeSegment 、StackSegment等汇编运行的机制是 程序运行前，在DataSegment之中定义好，然后，在CodeSegment中写要执行的代码，mov AX ,0x333…之类。

2、而Tensor flow的机制如下：

可以理解为有： 数据段、计算关系段、执行（会话）

• 第一，先定义好 数据如 tf.get_variable 或者tf.placeholder 、tf.constant等等，
• 第二，其次定义他们之间的计算关系，如：

 train_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss, global_step)
    with tf.control_dependencies([train_step, variable_averages_op]):
        # 先执行 train_step,再执行variable_averages_op
        # 最后执行train_op
        train_op = tf.no_op(name='train')

或者

 layer2 = tf.matmul(layer1, weights) + biases
 layer1 = tf.nn.relu(tf.matmul(input_tensor, weights) + biases)
等等。。。。。

• 第三，建立Session 上下文本管理空间，
  在其中运行
  with tf.Session() as see:

    with tf.Session() as sess:
        tf.global_variables_initializer().run()
        for i in range(TRAINING_STEPS):
            # 一次取100个数据，利用mnist内部func
            xs, ys = mnist.train.next_batch(BATCH_SIZE)
            # 　列表［］中的是要计算的东西，ｆeed_dict 是给其中用到的变量赋值
            _, loss_value, step = sess.run([train_op, loss, global_step], feed_dict={x: xs, y_: ys})