Tensorflow开发基本流程：

Tensorflow开发基本流程：

（1）定义TensorFlow输入节点：

 

目录

Tensorflow开发基本流程：

（1）定义TensorFlow输入节点：

a.通过占位符定义：

b.通过字典类型定义：

c.直接定义法：

（2）定义“学习参数”变量

a.直接定义：

b.字典定义

（3）定义“运算”

a.正向传播模型

 b.定义损失函数

（4）优化函数、优化目标

（5）初始化所有变量

（6）迭代更新参数到最优解

（7）测试模型

（8）使用模型

---

a.通过占位符定义：

    使用tf.placeholder函数：

X = tf.placeholder("float")
Y = tf.placeholder("float")

b.通过字典类型定义：

    与a.方法比较类似，只不过是堆叠到一起。

inputdict = {
    'x': tf.placeholder("float"),
    'y': tf.placeholder("float")
}

c.直接定义法：

很少用

（2）定义“学习参数”变量

类似于输入的定义，分为a.直接定义和b.字典定义。由于深度神经网络中，参数过多，普遍使用b.方法。

a.直接定义：

W = tf.Variable(tf.random.normal([1]), name="weight")
b = tf.Variable(tf.zeros([1]), name="biases")

b.字典定义

与直接定义相比，字典定义只不过是堆叠到了一起

paradict = {
    'w': tf.Variable(tf.random_normal([1]))
    'b': tf.Variable(tf.zeros([1]))
}

（3）定义“运算”

建模的核心过程，决定模型拟合效果。

a.正向传播模型

单神经元、多层神经网络、卷积神经网络、循环神经网络等，均是由神经元以不同的组合方式组成的网络结构。

#----------------------------------正向搭建模型----------------------------------
#创建模型
#占位符
X = tf.placeholder("float")
Y = tf.placeholder("float")
#模型参数权重和偏执
W = tf.Variable(tf.random.normal([1]), name="weight")
b = tf.Variable(tf.zeros([1]), name="biases")
#向前结构
z = tf.multiply(X, W)+b

 b.定义损失函数

损失函数主要是定义“输出值”和目标值 之间的误差，是配合反向传播使用。为在反向传播时找到最小值，损失函数必须可导。

只需记住几种常用的损失函数，不需要掌握太多细节。 

TensorFlow损失函数专题 见此链接（https://blog.csdn.net/marsjhao/article/details/72630147）

（4）优化函数、优化目标

 在定义好正向传播函数和损失函数后，通过优化函数和优化目标对学习参数进行优化，此过程在反向传播中进行。

只需记住几种常用方法即可。链接（https://blog.csdn.net/uestc_c2_403/article/details/72190345）

（5）初始化所有变量

只有一句代码，但很重要。

init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)

必须在所有变量和OP定义之后进行！

（6）迭代更新参数到最优解

在迭代训练环节，需要通过建立一个session来完成，常用with语法，可以在session结束后自动关闭。

with tf.Session() as sess:

（7）测试模型

并非神经网络的核心环节，并没有太多技术含量。

（8）使用模型

参考文献：深度学习之tenforflow入门、原理与进阶实战