tensorflow学习笔记1——计算图模型

tensorflow学习笔记1——计算图模型

看慕课，内容太多，看了2遍很多细节还是没记住。
现在开始启用笔记……

1、命令式编程

类似python：
x=2
y=3
b=1
z=x*y+b

2、计算图模型

x=T.dscalar(‘x’)
y=T.dscalar(‘y’)
b=T.constant(1)
z=x*y+b
f=function([x,y], z)

运行f(2,3)的得array(7.0）

它得计算图模型如下：

tensorflow也是这样，先构建计算图，输入数值后再计算，好处是得到计算图后便于优化，可以可视化，方便存取。缺点是中间结果很难监视。

#placeholder是一个占位符
x = tf.placeholder(tf.float32,[None, 3072])
y = tf.placeholder(tf.int64, [None])

这里的None表示可变、不固定的值，因为后面会用到batch_size。

w = tf.get_variable('w', [x.get_shape()[-1], 1],
                   initializer=tf.random_normal_initializer(0,1))   #用正态分布的值为w做初始化
b = tf.get_variable('b', [1],
                   initializer=tf.constant_initializer(0.0) )#b初始化为0
#[None,3072] * [3072, 1] = [None,1]
#y_是内积值，矩阵乘法
y_ = tf.matmul(x, w) + b
#[None,1]
#p_y_1是概率值，y==1的概率
p_y_1 = tf.nn.sigmoid(y_)

w的shape是（3072，1），b的shape是1，y_的shape就是[none, 1]， p_y_1表示y_==1的概率，shape也是[none,1]。

下面要求loss，需要把真实值和预测值相减，然后开方，再求平均。
所以要把真实值和预测值的shape和type要统一一下。
预测值上面我们看到p_y_1的shape是[none, 1]，所以真实值要经过一些变换：
y_reshaped = tf.reshape(y, (-1,1))
#y和y_的类型不一样，y是int64，y_是float32，所以要转成一致的
y_reshaped_float = tf.cast(y_reshaped,tf.float32)

补充一下reshape和cast用法：