tensorflow使用

目前tensorflow是深度学习中非常流行的一个工具包，它是由google研发的，其基本原理是计算图的模型。

安装

目前版本(2017年5月）的tensorflow支持直接进行pip进行安装，但唯一需要注意的一点是目前只支持python3版本

pip3 install tensorflow

入门

1）placeholder
placeholder顾名思义只是起到占位的作用，一般只是首先指明数据类型，而具体的数据随后才确定，一般用于建立图模型时使用。

a = tf.placeholder(tf.float32)
b = tf.placeholder(tf.float32)
out = a+b

2）session
利用placeholder创建模型结构后，如果想运行模型，就需要考虑使用session。一般采用session的run方法。比如想运行上边介绍的a+b模型只需执行以下代码：

sess = tf.Session()
print(sess.run(out, {a:[1,2], b:[10.0, 100]}))

结果为[ 11.10000038 102. ]
3)Variable
在机器学习中，我们通常需要训练模型，找到合适的模型参数，这些模型参数通常有初始值。Variable允许我们创建可训练的参数，通常包含一个数据类型和初始值。

w = tf.Variable(0.3, tf.float32)
b = tf.Variable(0.1, tf.float32)
x = tf.placeholder(tf.float32)
linear_model = w*x + b

但需要注意的是tf.Variable的使用并没有真正初始化参数，直到执行以下代码：

init = tf.global_variables_initializer()
sess.run(init)

4)loss
一般有监督的模型需要给定真实的值以评估当前模型的优劣：

y = tf.placeholder(tf.float32)
squared_deltas = tf.square(linear_model - y)
loss = tf.reduce_sum(squared_deltas)
print(sess.run(loss, {x:[1,2,3,4], y:[0,-1,-2,-3]}))

5)assign
对于Variable变量，假设想要更新参数，可以使用assign：

fixW = tf.assign(W, [-1.])
fixb = tf.assign(b, [1.])
sess.run([fixW, fixb])
print(sess.run(loss, {x:[1,2,3,4], y:[0,-1,-2,-3]}))

6）train
对于参数的更新一般需要通过训练来得到我们想要的结果。tensorflow中包含一系列优化方法，最简单的是Gradient Decent，具体代码如下：

optimizer = tf.train.GradientDescentOptimizer(0.01)
train = optimizer.minimize(loss)

sess.run(init) # reset values to incorrect defaults.
for i in range(1000):
  sess.run(train, {x:[1,2,3,4], y:[0,-1,-2,-3]})

print(sess.run([W, b]))

同时想要得到梯度可以使用tf.gradients,以下是不同的神经网络实现：

6)tf.contrib.
tf.contrib包简化了机器学习的一些流程.

Tensorboard的使用

TensorFlow一个主要的优势是其能够可视化操作，其基本思路是利用tf.summary.(scalar, histograph等）将一些节点标志出来，以方便后边的可视化显示，需要注意的是这些标志的节点，必须要出现在session的run方法中才能够运行，但是假设我们需要考察的节点很多，可以使用merged = tf.summary.merge_all()操作一步完成。最后只需在run方法中加入merged便可。同时，为了可视化需要先将相应的节点数据写到硬盘中，tf.summary.FileWriter,最后还需要利用add_summary将数据保存，具体的相应代码如下：