Tensorflow--入门记录

Tensor为张量，flow为流图。

Tensorflow内含有很多写好的工具，如梯度下降算法，卷积操作等。

在使用Tensorflow时，先导入包import Tensorflow as tf，在进行定义tensorflow变量时，使用tf.Variable(参数)，有趣的是一个叫做占位符的工具，tf.placeholder(shape)申请一个占位符，这类似设置了一个shape已经知道的未知变量，在后面可以使用feed_dict={占位符:参数}来对占位符进行赋值。这个op在写完后徐要需要Session来进行运行，sess = tf.Session()申请会话，最后通过sess.run(要运行的内容)方法来完成计算。

Tensorflow 简单神经网络案例：

    内容：通过简单的神经网络来实现识别Mnist手写字体。图片长宽都为28，通道为1。

    y = xw+b

    x=先设这个数据集为一个长为任何长度，宽为28*28的矩阵。

    w=再设置权重参数wij，wij为长度为28*28，宽为10的矩阵。

    b=然后添加一个长度为10的偏置项

    然后通过交叉熵来作为损失函数，进行迭代，使损失函数逐步减小。

   

    代码实现：

    import tensorflow as tf

# 申请x占位符，None表示任意长度。

    x = tf.placeholder(tf.float32, [None, 28*28])

    w = tf.Variable(tf.zeros[28*28, 10])

    b = tf.Variable(tf.zeros[10])

    #建立方程 y = xw+b

    y = tf.nn.sotfmax(tf.matmul(x, w) + b)

    #申请对应的标签占位符

    y_ = tf.placeholder("float", [None, 10] )

    #交叉熵作为损失函数

    cross_entropy = tf.reduce_sum(y_*tf.log(y))

    #梯度下降算法 学习率=0.01

    train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

    init = tf.initialize_all_variables()

    #创建Session

    sess = tf.Session()


    #初始化所有参数

    sess.run(init)

    #导入数据集 数据集地址在本地的/home/enche/MNIST_data目录下

    import tensorflow.examples.tutorials.mnist.input_data as input_data

    mnist = input_data.read_data_sets("/home/enche/MNIST_data", one_hot = True)

    #将x和y_进行替换成训练数据

    for i in range(1000):

        batch_xs, batch_ys = minist.train.next_batch(100)

        sess.run(train_step, feed_dict = {x:batch_xs, y_:batch_ys})

    #打印变量

print sess.run(w)

问题：在打印变量时，因为默认情况不会打印出所有矩阵参数，可以通过设置

import numpy as np

np.set_printoptions(threshold=np.inf)

实现打印所有内容，解决出现省略号的问题。