Tensorflow学习随手记（一）

遗忘了很久的，慢慢重新捡起学习。

以下内容，专业人士请勿参考。笔者创作时，只是刚刚接触Tensorflow一天，故无法用专业词汇描述。若有专业人士提供指导，定当不胜感激。

1，Tensorflow的Session：

从笔者当天随视频敲的代码中，结合Session的中文翻译，笔者认为Session是一个会话，即围绕某个主题而展开的一连串代码的活动。相当于码农告诉机器这段代码是干嘛用的。

2，Session两种方式：

方式1：

sess = tf.Session();
sess.run(xxxx);
sess.close();#非必须

方式2：

with tf.Session() as sess:
    sess.run(xxxxx);
    

两种方式目前由于笔者能力有限，暂不知各有什么优缺点。难道是第二种好看些？

3，Tensorflow的Variable

变量，顾名思义变化的量，这个世界因为变化而美丽。

变量的运算可以用add方法等。需要注意的是，在新版本Tensorflow中，变量的乘法已经变更为multiply。mul被移除了

使用变量一定要初始化。

使用变量一定要初始化。

使用变量一定要初始化。

重要的事情说三遍。

代码实例如下

init = tf.global_variables_initializer();

with tf.Session() as sess:
    sess.run(init);

4，Tensorflow的placeholder

占位符，主要用于如下用途：

当Tensorflow需要根据外部传参来决定程序的下一步时，占位符限制的传入参数的类型。

其作用，类似java等语言的function中，参数的类型修饰符的作用。

代码实例如下：

import tensorflow as tf;

input1 = tf.placeholder(tf.float32);
input2 = tf.placeholder(tf.float32);

output = tf.multiply(input1,input2);

with tf.Session() as sess:
    print(sess.run(output,
                   feed_dict={
                           input1:[7.],
                           input2:[2.]
                           }));

5，Tensorflow的optimizer

优化器，其作用就是tensorflow以某种方式不断训练（train）模型，从而不断减小失真（loss）。

（此段描述非专业，随着学习的深入，会逐渐修正上述描述。）

代码示例如下

#导入相关包
import tensorflow as tf;
import numpy as np;

#创建目标数据
x_data = np.random.rand(100).astype(np.float32);
y_data = x_data*0.1+0.3

#创建tensorflow结构
Weight = tf.Variable(tf.random_uniform([1],-1.0,1.0));
biases = tf.Variable(tf.zeros([1]));

y = x_data*Weight + biases;

#计算当前值与目标值的差值，类似失真度的概念，
#tensorflow的核心就是通过不断缩小loss的值来接近期望值
loss = tf.reduce_mean(tf.square(y-y_data));
#定义一个优化
optimizer = tf.train.GradientDescentOptimizer(0.5);
train =optimizer.minimize(loss);

init = tf.initialize_all_variables();

#定义一个Session
sess = tf.Session();
sess.run(init);#此时才真正的初始化变量

for step in range(200):
    sess.run(train);
    if(step%20 == 0):
        print(step,sess.run(Weight),sess.run(biases));