观月执白

tensorboard是tensorflow的可视化面板，这种效果很像电路设计中的电路图，但又有些很不像设计图而更接近效果图（做过电路设计的可能深有感触）。为了使效果图更好看一些，这里需要使用tensorflow.name_scope()定义一些命名空间。最后用tensorflow.summary.FileWriter("logs/",tensorflow.Session().grap

The MNIST database的全称是Mixed National Institute of Standards and Technology database是一个手写数字数据库，它有60000个训练样本集和10000个测试样本集。它是NIST数据库的一个子集，可以用来做手写数字识别的训练和测试数据集。可以到官网下载http://yann.lecun.com/exdb/mnist/。这

至于什么是线性和非线性，最早出现在信号系统当中，是针对齐次性，叠加性等提出的，不懂的简单理解是直线即可。要对一堆数据进行模型分析，当我们看到一堆这样的数据时，第一反应这绝壁是一个二次函数。首先我们来实现这些函数的实现：这里需要引入一个numpy库设置一个一维数组,让这个数组是呈等价递增，并增加一个维度，可以理解为上图中的x轴。x_data = numpy.linspace(

首先明确我们要做的事：产生一个y = k * x + b的模型，然后模拟得到k和b的值。使用numpy产生100个随机点x_data = np.random.rand(100)使用numpy产生随机点的波动值y_data = x_data * 0.8 + (0.2 + 0.2*np.random.rand(100))构造这个线性模型b = tf.Variab

tensorflow还提供字典填充函数，使输入和输出更为简单：feed_dict = {}。例如：需要吧8和2填充到字典中，就需要占位符tensorflow.placeholder()而非变量，input1 = tf.placeholder(tf.float32)，因为是一个元素不需要矩阵相乘，只要简单的乘法即可：tensorflow.multiply()全部代码：import

tensorflow提供很简单的设置变量的方法tensorflow.Variable()，state = tf.Variable(0,name = 'counter')，创建一个加一操作也是很简单new_value = tensorflow.add(state,1)，而我们执行像C++一样的自增时需要用到另外一个函数：assign()，update = tensorflow.assign(st

tensorflow提供很简单的创建常量的方法：tensorflow.constant()，例如创建一个2x1的列向量m1 = tensorflow.constant([2,3])，创建一个1x2的行向量m2 = tensorflow.constant([[3],[3]])然后两个矩阵相乘又是很简单的操作：product = tensorflow.matmul(m1,m2)。但是此时打

要定义与tf.estimator一起使用的自定义模型，需要使用tf.estimator.Estimator。 tf.estimator.LinearRegressor()线性回归实际上是一个tf.estimator.Estimator的子类。 我们只是给Estimator提供了一个函数model_fn，它告诉tf.estimator如何评估预测，训练步骤和损失，而不是分类Estimator

TensorFlow提供了优化器，缓慢地改变每个变量，以便最小化损失函数。 最简单的优化器是梯度下降（gradient descent）。 它根据相对于该变量的损失导数的大小修改每个变量。 通常，手动计算符号导数是冗长乏味且容易出错的。 因此，TensorFlow可以使用函数tf.gradients自动生成仅给出模型描述的导数。

tf.constant()表示常量，常用于定义常量，tf.constant(3.0, dtype = tf.float32)，前一个参数是数值，后一个是类型，也可以这样用，tf.constant('Hello TensorFlow')表示定义了一个字符串常量。tf.add()表示调用一个加法算法，参数可以是常数，也可以是列表。tf.Session()创建一个Session对象，然后调用其运

DistBelief从2011年开始，Google Brain建立DistBelief作为他们的第一代专有的机器学习系统。50多个团队在Google和其他Alphabet公司在商业产品部署了DistBelief的深度学习神经网络，包括Google搜索、Google语音搜索、广告、Google 相册、Google地图、Google街景、Google翻译和YouTube。Google指派计算机科学

概率论基本概念简介样本空间 将随机实验 E 的一切可能基本结果组成的集合称为 E 的样本空间，记为 S。样本空间的元素，即 E 的每一个可能的结果，称为样本点。样本空间又叫基本事件空间。 例：程序员用户的学历 S={‘研究生或以上’，‘本科’，‘大专’，‘高中’，‘中专’，‘初中及以下’}，A={‘研 究生或以上’，‘本科’，‘大专’} 事件 事件 A