探索世界，改变世界

cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits (y,tf.argmax (y_, 1))这个语句造成：Traceback (most recent call last):  File "C:/Users/pop/Desktop/python/TensorFlowLearn/6/mnist

image_raw_data = tf.gfile.FastGFile("../datasets/cat.jpg", "r").read()改为，二进制读：image_raw_data = tf.gfile.FastGFile("../datasets/cat.jpg", "rb").read()

错误行：bbox_begin, bbox_size, _ = tf.image.sample_distorted_bounding_box ( tf.shape (image), bounding_boxes=bbox)改成：bbox_begin, bbox_size, _ = tf.image.sample_distorted_bounding_box (

一、   深度学习现状的瓶颈：1、 计算量巨大，消耗大量的计算资源2、 模型内存占用大，消耗大量内存资源3、 模型存储空间大，消耗大量存储空间4、 只能在云端利用其大量的资源进行模型训练5、 需要移动设备连接云端，不连接即无法使用其效果。6、 移动端资源（CPU、GPU、内存）和云端的差距过大，无法进行类似云端的大规模分布式训练。 总结：大模型耗费大量的资源（计

TensorFlow系统架构设计理念 图的定义和图的运行完全分开。TensorFlow为“符号主义”的库。编程模式通常分为命令式编程和符号式编程。命令式编程：编写通常意义上的程序，容易理解和调试，按照原有的逻辑执行。符号式编程：涉及很多的嵌入式和优化，不同意理解和调试，运行速度相对提升。 符号式计算：先定义各种变量，然后建立一个数据流图，在数据流图中规定各个变量间的计算关系，最后对数据流图进行编译...