install python-mnist_Tensorflow学习之安装配置+MNIST例子

本来看到tensorflow是linux的比较崩溃，本人linux一窍不通

笔记本上经常遇到问题，一下解决一天。所以又是一些莫名的问题配置了两天，最后一怒之下换了台式。

目前，使用ubuntu麒麟1604的64位OS，感觉和自己相性很好，因为像win的界面化，个人比较喜欢

基本上，新系统上配置tensorflow很简单

1.安装annaconda，官网下就好了

2.使用下面命令安装tensorflow，一下就装好了

conda install -chttps://conda.anaconda.org/jjhelmus tensorflow

3.个人喜好安装ide，我喜欢用pycharm，不愿意用ipython，装完后就大功告成啦！

这里先不做udacity的第一个assgiment，因为本人也是小白一个，对tensorflow只有一句话的认识。

所以打算先看官方的tutorial

首先我们测试一下是否配置好了，

按照tensorflow官方的tutorial的第一段代码，跑一下看看：

可以看出是个线性回归哈～

那么配置没问题了，接下来我们就食用蓝色药丸(黑客帝国梗妥妥的)：

进入mnist超新手教程，官网说的很清楚哈，不解释softmax了，之前好像也说过。

直接上代码看看吧：

from__future__ importabsolute_import

from__future__ importdivision

from__future__ importprint_function

# Import datafromtensorflow.examples.tutorials.mnist importinput_data

importtensorflow astf

flags = tf.app.flags

FLAGS = flags.FLAGS

flags.DEFINE_string('data_dir', '/tmp/data/', 'Directory for storing data')

这里值得提一句的是，他把data存放位置设置成了tmp下面的data文件夹，我们知道linux的/tmp重启后数据会不见。所以如果不想每次都重新下载，可以改一下存放路径，不过其实无所谓，这个数据集很小，网速可以的童鞋就别管啦。

mnist = input_data.read_data_sets(FLAGS.data_dir, one_hot=True)

sess = tf.InteractiveSession()

mnist是函数读取出来的数据集并整合成的一个大的结构。具体包括了

mnist.train.images

mnist.train.labels

mnist.test.imagesmnist.test.labels

----------------------------------

实际上进一步学习tutorial发现，

mnist是一个轻量级的类，以Numpy数组的形式存储着训练、校验和测试数据集。同时提供了一个函数，用于在迭代中获得minibatch

----------------------------------

而这每一个，就是tensorflow中的tensor了，我个人理解，说白了张量就是样本矩阵合集

例如：

这就是一个张量。在我们这里，这个张量的大小是60000 X 784 ，784是每个样本(28X28的图片被扁平化后的数值，一共有六万个数据)

而[a，b]这样一个张量，第一个元素是样本的索引，第二个元素是图片中像素点的索引

而[a,b]对应一个值。比如[1,1]就是第一个样本第一个元素的像素值，是一个介于0-1的取值

而标签同样是一个张量。且一般像udacity课程中讲授的那样，使用one hot encoding。故，[1,1]表示第一个样本的第一个编码位是多少。这里看图应该是0/1取值，而第一个数据貌似是5，所以[1,1]=0

至于tf.InteractiveSession()我也不是很懂，我这里就认为是要与tensor交流的一种工具箱。下面开始是正式的模型构建，这里我说一下我通过一天的学习tensorflow的粗浅理解：

和传统coding不太一样，在定义测试集，训练集的时候就把data赋值给它。而tensorflow的感觉就像是先搭模型，等模型都搭建好了然后再往里面倒水，让水按照你搭建好的管道流通(所谓的flow)

----------------------------------

Tensorflow依赖于一个高效的C++后端来进行计算。与后端的这个连接叫做session。一般而言，使用TensorFlow程序的流程是先创建一个图，然后在session中启动它。

这里，我们使用更加方便的InteractiveSession类。通过它，你可以更加灵活地构建你的代码。它能让你在运行图的时候，插入一些计算图，这些计算图是由某些操作(operations)构成的。这对于工作在交互式环境中的人们来说非常便利，比如使用IPython。如果你没有使用InteractiveSession，那么你需要在启动session之前构建整个计算图，然后启动该计算图。什么意思呢，就是如果你不用InteractiveSession需要整个计算图构建好以后再run，那样就没法交互式地调试了，不便于设置断点查询中间值之类的。

而什么叫做计算图呢，就是我前一天理解的搭建的模型了，tf中需要你描述好这个模型是怎么一回事，然后具体的数据与计算是放在python外部完成的，这样速度就会快。

----------------------------------# Create the modelx = tf.placeholder(tf.float32, [None, 784])

首先我们看这个()里面：浮点数来表示这些图的具体值，这个张量的形状是[None，784 ]。(这里的None表示此张量的第一个维度可以是任何长度的。)

而placeholder是个占位符，所以很显然这像是个结构的声明，只不过这个结构按照统一的tensor形状来进行声明，可以调整的就只有数据类型以及维度

---------------------------

占位符是我们构建计算图的最重要的一部分，我们需要告诉这个进入计算图的数据是什么样子的

---------------------------

W = tf.Variable(tf.zeros([784, 10]))

b = tf.Variable(tf.zeros([10]))

这是我们要学习的参数，

设置使用0初始化张量。矩阵乘法,只要第一个数字和x的第二个数字相同就可以。

为什么不像x一样先占位，我认为也是可以的，不过这里我们已经明确知道参数的size了，而tf中又给了我们variable这样的结构来快速运算可变量，可能会更快吧。注意这里写完依旧是没有赋值语句的，只是设置了要以0来初始化，只要记住，在tf中没看到run就没有赋值产生，始终还处于搭建管道阶段。

y = tf.nn.softmax(tf.matmul(x, W) + b)

matmul是tf为我们提供的矩阵运算，而tf中softmax模型也是写好了的，直接调用就可以了。注意以后我们用其他模型读文档也是很必要的。这里y的输出格式：

是[?,10]的形式的张量，类型是float32

个人认为这个形式是由之前我们设置的x以及变量所影响的，但具体没看源码，并不确定# Define loss and optimizery_ = tf.placeholder(tf.float32, [None, 10])

cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1]))

train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

这一段先定义标准答案y_的张量，然后定义损失函数为交叉熵函数，外面那个求均值是因为交叉熵求出来是对单样本的，对于所有样本，我们需要求一个均值。这里实际上就做了一个批量梯度下降，而单样本同样适用，单个的均值就是自己。只需要把每次train的batchsize设置一下就好了。而tf中一旦我们提供损失函数，会给我们自动采用梯度下降的优化方法计算这一步的shift，我们这里学习率是0.5，输入函数是交叉熵损失函数。

---------------------------------

最后这一行代码实际上是用来往计算图上添加一个新操作，其中包括计算梯度，计算每个参数的步长变化，并且计算出新的参数值。

返回的train_step操作对象，在运行时会使用梯度下降来更新参数。因此，整个模型的训练可以通过反复地运行train_step来完成。

------------------------------------------

# Traintf.initialize_all_variables().run()

fori inrange(1000):

batch_xs, batch_ys = mnist.train.next_batch(100)

train_step.run({x: batch_xs, y_: batch_ys})

和前面的搭模型的代码不同，这里出现了run()，一旦tf开始run就说明有flow流过，此时variables全部有值了

而，mnist.train.next_batch的参数是batchsize。返回值是下一批输入值和标签值，这个返回值的类型感觉与前面x和y_占位符的声明有关系啊，但是并不清楚它们之间具体是怎么联系的，待解决

--------------------------------

mnist自身带有函数next_batch，返回值就是下一批的数据与标签，如果使用自定义数据集，可能需要重新写该类以及里面的函数，而不是直接按照其格式修改占位符那么简单--------------------------------

然后tran_step这样一个‘变量’居然也可以run，猜测是由于其定义中有

GradientDescentOptimizer(0.5).minimize()

而且run带的参数表明的意义似乎是把占位符对应的原本值替换再跑一遍

# Test trained modelcorrect_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))

accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

tf.argmax(y,1)表明的是对于y这个tensor，求其第一维最大值对应的索引

而tf.equal返回的是一个布尔数组转换成0,1后求均值就是正确率了

注意这里同样还没有开始run，只是设置了evaluation的形式

print(accuracy.eval_r({x: mnist.test.images, y_: mnist.test.labels}))这里eval函数其实就是一个把代码变成语句的函数，也就是run的意思，官方的tutorial里面这样也是可以的：

print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))

把accuracy这个tensor用feed_dict这样的数据去flow它并打印出来

----------------------------

这里feed_dict可以替换不只是占位符，他可以替换任何的张量

----------------------------