2.TensorFlow的一些具体操作

1.为模型的参数命名，以及参数在不同的命名空间下

    with  tf.name_scope('str')  as scope: .......   再次范围下的所有模型的参数名都会带有该str前缀

    TensorFlow中的每一个op操作都成为一个节点，同样，主要op都会有一个名字，这个节点里面的tensor就可以通过这个名字进行取出来，所以对于在计算途中定义的每一个主要op所得到的tensor都是可以取出来的。

2.大致的更新过程

    首先是通过loss()函数得到损失值，然后交给tf.scalar_summary，然后再与summarywriter配合使用，向事件文件生产汇总值，然后在写入汇总值，写入的时候会释放当前的Tensor值，相当于更新了tensor的值

3.状态可视化

    可以利用tensorboard查看当前数据的运行情况，但是要使用

tf.merge_all_summaries()

把所有的即时数据都融进一个操作当中，然后要每次往事件文件中写入最新的即时数据，然后可以打开tensorboard进行查看

4.模型的保存

    为了评估或者进一步的训练，可以可以对当前模型的参数进行保存，利用tf.train.Saver

5.变量的创建、初始化、保存、恢复

    创建利用的是tf.Variables()

    tensorflow在进行运行前，都需要将所有的变量进行初始化操作，但是很多其他的数据类型，类似于numpy数组中的数据类型在tensorflow也不算是一种变量，在tf中变量主要指的是模型的参数。

    保存利用tf.train.saver() ,同样在对变量进行保存时，可以进行部分保存变量，即可以保存变量的子集，但是在恢复变量的时候，要对没有保存的变量进行初始化，因为在图中，只有保存了的变量在恢复的图中才有初始值，而其他的变量则需要初始化。

Q：要保存的变量用字典表示，但是变量的名字如何让确定，在不同的范围内，变量的名字可以一样，但是前缀名不一样，而且在tf中，许多变量都有自己的名字，好多的weight都是可以在不同的变量范围内存在。所以我觉得要保存的变量名是加了范围前缀在里面的变量名。而前面的代号仅表示这个op而已，或者这个变量而已。比如人有一个小名，但是还有一个官方的名字。