TensorFlow学习笔记1-入门
作者: YunYuan
***
写在前面
本笔记是我学习TensorFlow官方文档中文版的读书笔记，由于尚未搭建好Github的个人博客的评论功能，故尚不方便与各位交流。如有问题，可邮箱联系。
TensorFlow运算的本质是有状态的数据流式图。TensorFlow的直译是“流动的张量”。
特点：计算模型简洁灵活，计算性能显著提升，支持更多的异构计算系统。
一些概念：
- 有向图(计算图)：由节点(node)和边(edge)组成。节点表示运算操作，节点与节点之间的是边。整个计算图描述了计算流程。
- 节点：表示运算操作，每个节点可以有任意多的输入和任意多的输出。
- 边：在边中流动(flow)的是张量(tensor)。
- 有一种特殊的边没有数据流动，这种边是依赖控制。作用是让它的起始节点执行完再执行目标节点，从而进行控制。
简单的有向图示例如图：
其代码表示为：
import tensorflow as tf
b=tf.Variable(tf.zeros([100])) # 生成100维的向量，初始化为0
W=tf.Variable(tf.random_uniform([784,100],-1,1)) # 生成784x100的随机矩阵W x=tf.placeholder(name="x") # 输入的Placeholder
relu=tf.nn.relu(tf.matmul(W, x)+b) # ReLU(Wx+b)
C=[...] # 根据ReLU函数的结果计算Cost
s=tf.Session()
for step in range(0, 10):
input=...construct 100-D input array... # 为输入创建一个100维的向量
result=s.run(C, feed_dict={x: input}) # 获取Cost，供给输入x
print(step, result)在代码中，Variable表示参量，即你要训练的参数，而Placeholder表示输入数据，即训练集。
TensorFlow内建运算操作
- 标量运算：Add、Sub、Mul、Div、Exp、Log、Greater、Less、Equal
- 向量运算：Concat、Slice、Split、Constant、Rank、Shape、Shuffle
- 矩阵运算：MatMul、MatrixInverse、MatrixDeterminant
- 带状态的运算：Variable、Assign、AssignAdd
- 神经网络组件：SoftMax、Sigmoid、ReLU、Convolution2D、MaxPooling
- 存储、恢复：Save、Restore
- 队列及同步运算：Enqueue、Dequeue、MutexAcquire、MutexRelease
- 控制流：Merge、Switch、Enter、Leave、NextIteration
更进一步
sess.run()函数里的参数通常有两种：
一种是tensor，将
feed_dict中的数据送进计算图中计算一次，并取出tensor另一种是
train=optimizer.minimize(loss)，即训练动作(对loss进行优化)，每执行一次sess.run(train)会优化一次。
参考资料
- TensorFlow官方文档中文版
- 黄文坚 唐源, TensorDlow实战 , 201703, 电子工业出版社