2017.7.4：学习到的新知识点

今天有粉丝私信我，说我好久没有更新博客了…好吧，最近实在太忙了，今天晚上终于抽出时间来更新一下…

另外，谢谢你，我亲爱的唯一的小粉丝，没错，就是你！scb

最近学习了几个新的网络：

1，CNN

2，LSTM RNN

3，autoencoder

大家可以在我的github上查看源码…

但是我还不太用github，等后续吧

（必须声明：我的代码都是参考了莫烦的教程，另外推荐莫烦的教程，非常好用的）

最近学到的新知识：

1.tf.Session两种打开方式：

（1）sess=tf.Session()

         pass

         sess.close()

（2）with tf.Session() as sess:

                pass

2.刚开始学习python有点搞不清楚为什么要用初始化全局所有变量

state=tf.Variable(0,name='weights') #定义变量

one=tf.constant(1)#定义常量

new_value=tf.add(state,one)#并不直接计算，需要初始化

#只要声明了变量，就必须初始化

init=tf.global_variables_initializer()

with tf.Session() as sess:

        sess.run(init)#激活变量

        #注意，如果需要输出new_value

        print(new_value)#输出的是new_value的类型

        print(sess.run(new_value))#输出new_value的值

3，placeholder

tensorflow如果想从外部传数据，则用tf.placeholder(dtype,[w1,w2,…])占位符

并通过以下方式传入数据

sess.run(XX,feed_dict={inputs:x})

4，我最近在W*x+b上遇到一个小问题，假设W：1*2，x：2*2，我们常规认为W*x是这样写

而实际上，代码是这样实现的：

weights=tf.Variable(tf.random_normal([2,3]),tf.float32)#2x3

biases=tf.Variable(tf.random_normal([3]),tf.float32)

inputs=tf.Variable(tf.random_normal([1,2]),tf.float32)#1x2

wx=tf.matmul(x,W)#为x*W:1x3

那么我们会认为W*x+b就会因为维度不同而出现问题，实际上不会

因为此时b是1x3的形式，所以维度整好匹配

好啦，今天就更新到这里了，另外，提前祝我的小可爱生日快乐！