TensorFlow编程基础2（小白笔记）

Session类
使用tf.Session()构建数据流图
使用sess.run(0运行数据流图中的一个operation

placeholder
赞为辐制是一个变量，用于之后分配数据
在不提供具体数据的情况下创建操作并构建计算图
在执行计算时，通过占位符将数据提供给计算图
tf.placeholder(dtype= ,shape=,name=,)

variable
用于定义网络中的参数，可被训练，需要初始化
使用variable时表示程序处理的共享持久状态的最佳方法
通过实例化一个bariable()类来创建变量
tf.variable(initial_value=,dtype=,name)
其在被调用时会保持在计算图中的状态
其会存储持久性张量，允许读取和修改张量的值
修改在多个session之间是可见的，对于一个variable，多个工作器可以看到相同的值

variable于placeholder
v一般在训练中更新，p一般不在训练中更新
v需要初始化，p不需要初始化
v无需给feed定数值，p需要在session中使用feed给定具体的数值

优化器
不同的优化算法是tensorflow计算图中解决优化问题的一个operation，需要在会话中运行
常用优化器：
class tf.train.GradentDescentOptimizer
class tf.train.AdadeltaOpeimizer
class tf.train.AdagradOptimizer
class tf.train.MomentumOptimizer
class tf.train.AdamOptimizer

TensorBoard
tensorboard是tensorflow内置的可视化工具，其通过将tensorflow程序输出的日志文件的信息可视化使得程序的理解、调试和优化更加简单高效
使用步骤：
1、定义FileWriter
2、将需要可视化的graph或数据添加到FileWriter中
3、启动tensorBoard服务端程序，在前端查看训练过程状态

如何启动tensordboard？
先进入cmd命令中切换到虚拟环境
输入tensorboard --logdir=/.tensorboard 得到一个网址（这里我提前在工作目录下创建了一个tensorboard文件夹）

模型载入/保存
Saver类添加了在检查点之间保存和恢复变量的操作
检查点是专有格式的二进制文件，他将变量名映射到张量值
可用提供的计数器自动为检查点文件名编号，可在训练模型时在不同步骤保留多个检查点
restore(sess.savepath)
restore恢复以前保存的变量
构造函数添加ops以恢复变量，需要启动图表的会话
要恢复的变量不需要初始化，因为回复本身就是一种初始化变量的方法
save_path参数通常时先前从save（）调用，对latest_checkpoint（）调用返回的值

矩阵计算
相关函数
tf.diag(diagonal) 得到以diagnoal为对角线元素的tensor
tf.trace() 求矩阵的逆
tf.transpose() 矩阵转置
tf.eye() 生成单位矩阵
tf.matmul() 矩阵相乘
tf.norm() 计算向量、矩阵、张量的范数
tf.matrix_determinant() 计算矩阵的行列式
tf.matrix_inverse() 计算矩阵的逆
tf.cholseky() 计算一个或多个方阵的Cholesky分解
tf.matrix_slove() 求解线性方程组
tf.sin()…
tf.sqrt()/square()
tf.reduce_max()/min()/mean()/sum()/std()
返回tensor最大值/最小/均值/总和/标准差，可以通过axis指定维度
tf.argmax()/argmin()
返回最大值/最小值索引
tf.nn.siftmax()/tf.sigmoid()