tensorflow备忘

整体思路：
1.创建会话，创建输入数据的地方，创建存储参数的地方
2.定义网络
3.定义loss
4.定义优化器
5.全局初始化后run
6.minibatch
7.准确率

1.创建会话interactivesession
sess = tf.InteractiveSession()
之后的任务会在这个session里面跑，不同的session之间是独立的
2.创建输入数据的placeholder
x = tf.placeholder(tf.float32,[None,784])
这是输入数据的地方，第一个参数为数据类型，第二个参数为tensor的shape
3.存储参数variable
在variable中存储的参数是持久化的，能够一直存储并且更新
w = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
4.定义网络
y = tf.nn.softmax(tf.matmul(x,w)+b)
5.定义loss
cross entropy
y_ = tf.placeholder(tf.float32,[None,10]) # 先定义一输入数据的地方
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y),reduction_indices=[1]))
tf.reduce_mean是用来计算每个batch的平均值。y_是真实label。
6.定义优化方法
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
直接调用优化器，学习率0.5，优化目标cross_entropy。

到这里，tensorflow就可以根据我们定义的计算图来自动求导，训练，迭代更新的参数来减小loss

7.全局参数初始化并且run
tf.global_variables_initializer().run()
8.minibatch
for i in range(1000):
batch_xs, batch_ys = mnist.train.next_batch(100)
train_step.run({x:batch_xs,y_:batch_ys})
x是输入数据，y_是真实标签，y是预测的分类
9.准确率
correction_prediction = tf.equal(tf.argmax(y_,1),tf.argmax(y,1))
tf.argmax是寻找一个tensor中最大值的下标，第二个参数指按行或者列，0表示按列，1表示按行。
tf.equal看看预测和真实是否相等，返回布尔值。
accuracy = tf.reduce_mean(tf.cast(correction_perdiction,tf.float32))
tf.cast将布尔值转换为浮点数，再求平均。