1.TensorFlow初识

1.TensorFlow的基本知识

    Python的中计算可以借助外部的工具，如numpy，但是再切回Python需要花销，所以在TensorFlow中是先把一系列的计算定义出来，然后再统一的再Python之外运行。

    TensorFlow中有符号变量 tf.placeholder() 和其他的变量 tf.Variables()；占位符的shape变量有利于找到因输入数据的维度不一致导致的错误；模型的参数一般用tf.Variables()来表示；feed_dict可以用来代替任何的tensor，并不局限于占位符； 

strides=[1, 1, 1, 1]

    上面的strides 表示的是一个一维的张量，前后必须为1，中间的分别控制水平和垂直方向的滑动步长

    在训练网络的过程中，模型的参数是要初始化，但是在训练的时候，多次进行训练过程时，已经不再涉及模型参数的初始化了，而是直接使用模型中正在更新的参数。在训练中的测试以及在验证集上测试时，只是feed_dict的数据不一样而已，只要定义好评价的方式就好了。

    在交互式的环境下，可以先定义回话，再为会话指定操作，即用tf.InteractivateSession()，而使用tf.Session()必须先把需要的操作计算图定义好然后在说明会话，在交互式的情况下很不方便；同样tf.session()有with ...as ....的形式，可以自己关闭会话，而交互式的就没有。

    在tenTensorFlow中，每个Tensor都是一个多维化的数组，在Python中为numpy ndarray，与numpy中的数组（ndarray）一致，所以在进行计算的时候，二者可以直接进行计算，如在评价loss的时候，外部的label是numpy数组的形式，但是也可以直接进行二者的计算在Python的环境中。只要数据的类型一致（如np.int32,tf.int32），那么二者之间是可以直接做四则运算的，但是结果必须得以sess.run()或者c.eval()的方式输出,不然结果只是一个Tensor。

    TensorFlow在进行训练的时候，为什么不会使用模型的参数初始化的值，因为模型参数是一个op，那么反应在图中就是一个节点，初始化的时候只是把一个初始的值传递给这个节点，在训练的过程中回动态的传递学习的到值，所以在下一次进行session会话操作的时候，这个时候这个节点中模型的参数值已经是更新之后的值了，所以并不会使用初始化的值，也就是为什么模型在恢复的时候只能使用最后保存时候的值。

    tf.assign(a,b)函数可以用来专门为一个节点的值进行更新操作。

    在定义的计算图中，每个节点的值都是可以取回的，当要取回多个值时，需要采用sess.run([a,b])的形式，这样得到的结果，是一个具体的数，而不是Tensor，确切的说，应该是一个numpy的数组 。

    feed其实是为tf.placeholder()提供输入的值，在具体的情况需要对占位符指定shape，精度类型，还有名字类的属性。feed_dict={, , ,}