tensorflow学习笔记

深度学习技术一直在发展，但是深度学习框架caffe的更新跟不上进度，很多新的技术在caffe里用不了。TensorFlow在Google的支持下如日中天，于是在学了caffe后还要学一下tensorflow。在训练神经网络模型时将两个深度学习框架结合使用。

一、 安装anaconda

1.在continuum官网 下载anaconda
现在的版本有python3.6版本和python2.7版本

2.anaconda官网下载，tensorflow中的有些技术不支持python3.6，推荐使用linux版的python 2.7版本。

sudo Anaconda2-2.5.0-Linux-x86_64.sh

二、 安装tensorflow

anaconda search -t conda tensorflow
conda install --channel https://conda.anaconda.org/jjhelmus tensorflow

三、 调试

进入python编译环境

import tensorflow as tf

四、数据结构

TensorFlow用张量来表示所有的数据

1.常量

(1)引入tensorflow语句

import tensorflow as tf

(2)定义数值为10的常量a

a=tf.constant(10)

2.变量

(1)使用Variable定义

m=tensorflow.Variable(tensorflow.zeros([3,3]))

(2)定义了一个3x3的全0矩阵m,0为初始化值

init=tensorflow.global_variables_initializer()

(3)变量定义完后，初始化操作显式的执行一下

3.占位符

在tensorflow中变量在定义时要初始化，用占位符来占无法确定初始化变量值的位置

x = tensorflow.placeholder(tensorflow.float32, [None, 784])

指定这个变量的类型和shape，再用feed的方式来输入值

4.图(graph)

(1)定义两个变量，并将两个数相加，输出结果

x=3
y=2
z=x+y
print(z)

(2)这是在python中的写法，在TensorFlow中这样的语法会出错。

(3)x,y,z分别是三个tensor对象，对象间的运算称之为操作(op), tf不会去一条条地执行各个操作，而是把所有的操作都放入到一个图(graph）中，图中的每一个结点就是一个操作。

(4)将整个graph 的计算过程交给一个 TensorFlow 的Session, 此 Session 可以运行整个计算过程，比起操作(operations)逐行执行的效率高。

x = tensorflow.Variable(3)
y = tensorflow.Variable(5)
z=x+y
init =tensorflow.global_variables_initializer()

 with tensorflow.Session() as sess: 
sess.run(init) 
print(sess.run(z))

(5)其中sess.run()即是执行，注意要先执行变量初始化操作，再执行运算操作。

(6)Session需要先创建，使用完后还需要释放。因此使用with…as..语句，让系统自动释放。

五、第一个程序——HelloWorld

import tensorflow as tf
word=tf.constant('hello,world!')
with tf.Session() as sess:
    print(sess.run(word))

六、深度学习的入门实例mnist

1.mnist数据

(1)tensorflow提供一个input_data.py文件，专门用于下载mnist数据，直接调用即可，代码如下：

import tensorflow.examples.tutorials.mnist.input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

(2)执行完成后，会在当前目录下新建一个文件夹MNIST_data, 下载的数据将放入这个文件夹内。下载的四个文件为：

文件	内容
train-images-idx3-ubyte.gz	训练集 -55000张训练图片，5000张验证图片
train-labelss-idx1-ubyte.gz	训练集图片对应的数字标签
t10k-images-idx3-ubyte.gz	测试集图片 - 10000张图片
t10k-labels-idx1-ubyte.gz	测试集图盘对应的数字标签

input_data文件会调用一个maybe_download函数，确保数据下载成功。函数还会判断数据是否已经下载。

(3)下载下来的数据集被分三个子集：5.5W行的训练数据集（mnist.train），5千行的验证数据集（mnist.validation)和1W行的测试数据集（mnist.test）。因为每张图片为28x28的黑白图片，所以每行为784维的向量

(4)每个子集都由两部分组成：图片部分（images)和标签部分(labels), 用下面的代码来查看 ：

print mnist.train.images.shape
print mnist.train.labels.shape
print mnist.validation.images.shape
print mnist.validation.labels.shape
print mnist.test.images.shape
print mnist.test.labels.shape

2.CSV数据

(1)tensorflow提供了除了mnist手写字体图片的数据，还有csv的数据练习，存放路径为：

/home/cow/anaconda3/lib/python3.5/site-packages/tensorflow/contrib/learn/python/learn/datasets/data/text_train.csv

(2)读取数据

import tensorflow.contrib.learn.python.learn.datasets.base as base
iris_data,iris_label=base.load_iris()
house_data,house_label=base.load_boston()

数据集分别为iris鸢尾花卉数据集、波士顿房价数据集

3.cifar10数据

tensorflow提供了cifar10数据的下载和读取的函数，直接调用即可。代码如下：

import tensorflow.models.image.cifar10.cifar10 as cifar10
cifar10.maybe_download_and_extract()
images, labels = cifar10.distorted_inputs()
print images
print labels