tensorflow深度学习入门

Tensorflow是什么

TensorFlow是一个用于数值计算的强大开源软件库， 非常适合大型机器学习。 它背后的原理很简单： 首先在Python中定义一个用来计算的图 ， 然后TensorFlow就会使用这个图， 并用优化过的C++代码来执行计算。

Tensorflow的优势

• 提供了一个非常简单的名叫TF.Learn（tensorflow.contrib.learn）的Python API来兼容Scikit-Learn。
• 可以将计算图分解进行并行计算。
• 提供另一个叫作TF-Slim（tensorflow.contrib.slim）的简单API来简化神经网络的构建、 训练和评估。
• 在TensorFlow之上， 独立构建了一些高级的API， 比如Keras（http://keras.io） 和PrettyTensor（https://github.com/google/prettytensor/） 。
• 提供一个非常强大的叫作TensorBoard的可视化工具

Tensorflow使用基本流程

详见tensorflow中文主页
（1）准备数据，创建节点，包括变量，常量，占位符，并定义节点运算

#变量，占位符定义
x = tf.placeholder("float", shape=[None, 784])
y_ = tf.placeholder("float", shape=[None, 10])
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
#节点运算
y = tf.nn.softmax(tf.matmul(x,W) + b)

（2）初始化节点

sess.run(tf.initialize_all_variables())

（3）创建损失函数

cross_entropy = -tf.reduce_sum(y_*tf.log(y))

（4）对损失函数进行优化

train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

（5）启动图, 加载数据，运行节点，训练模型

import input_data
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)

for i in range(1000):
  batch = mnist.train.next_batch(50)
  train_step.run(feed_dict={x: batch[0], y_: batch[1]})

（6）评估模型

correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
print accuracy.eval(feed_dict={x: mnist.test.images, y_: mnist.test.labels})

（7）使用tensorboard查看训练曲线
（8）保存模型

利用MNIST来实现Tensorflow基本语法

softmax分类基于tensorflow实现MNIST

方法步骤&#