【奔跑吧小牛】机器学习+tensorflow学习笔记（二）（定义输入和输出）

为什么把定义输入和输出放在开始讲，是因为在开始编程前，脑海中要明确我们构造的这张网络的输入和输出是什么。 至于中间采用什么网络，采用什么学习算法，都是为了输入和输出服务的。

对tensorflow而言，输入和输出都为一个张量，可以简单理解为一个多维数组。

以minist数字识别为例，一张图片的像素为28*28，即输入为768个节点，输出结果为0-9的10个数字，即输出有10个节点。单条条输入数据的张量为[768]，输出数据的张量为[10]

在实际应用中，学习数据和结果数据往往是大量的而且没有具体个数限制的，为此tensorflow提供placeholder机制来提供输入数据，具体写法如下：

定义输入张量：
x = tf.placeholder(tf.float32,shape=(None,784))
定义输出张量：

y_ = tf.placeholder(tf.float32,shape=(None,10))

其中tf.placeholder为关键字，第一个参数为张量里的数据类型，shape为指定张量的维度，第一个维度固定用None来指定输入和输出数据的条数，None后面的维度和单条输入和输出数据的维度一致。