tensorflow入门

数值计算表示为计算图，

TensorFlow的程序主干是一个图，

图节点是操作（代码中操作），有多个输入和一个输出

节点间的边表示之间流动的张量（tensors），比如n维数组

 

使用图，允许小而简单的操作建立复杂模型，会使梯度计算变简单---->自动求导

 

h=ReLU(Wx+b)

Variables:W,b

Placeholders（占位符）:执行时间才会接受的点,  x  即input。仅分配一个数据类型，一种大小的张量

Mathematical operations：数学操作节点    矩阵乘法、假发、激活函数等

 

 

import tensorflow as tf
import numpy as np

################################ 建立图 ###################################
b = tf.Variable(tf.zeros((100,)))
W = tf.Variable(tf.random_uniform((784,100),-1,1))

x = tf.placeholder(tf.float32,(100,784))

h = tf.nn.relu(tf.matmul(x,W)+b)

################################# 将图部署到会话上 ###############################
# 建立会话对象，调用参数Fetches,Feeds
# Fetches:list of graph nodes which return the output of the nodes
# Feeds:dictionary mapping from graph nodes to actual values,占位符

# 建立会话对象，采取默认环境，CPU，可以添加设备参数.   会话将图部署到硬件上？
sess = tf.Session()
sess.run(tf.initialize_all_variables())
sess.run(h, {x:np.random.random(100,784)})

################################ 训练模型 ######################################

prediction = tf.nn.softmax()#输出的预测值
label = tf.placeholder(tf.float32,[100,10])
cross_entropy = -tf.reduce_sum(label * tf.log(prediction),axis=1)

# 创建梯度下降的优化器，学习率设置0.5，最小化交叉熵cross_entropy
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)


sess = tf.Session()
sess.run(tf.initialize_all_variables())

for i in range(100):
    batch_x,batch_label = data.next_batch()
    sess.run(train_step,feed_dict={x: batch_x,label: batch_label})


with tf.variable_scope("foo"):
    v=tf.get_variable("v",shape=[1])