tensorflow开发的基本步骤

（一）TensorFlow开发的基本步骤

（1）定义TensorFlow输入节点。

（1.1）定义输入节点的方法

● 通过占位符定义：一般使用这种方式。
X = tf.placeholder(“float”)
Y = tf.placeholder(“float”)

● 通过字典类型定义：一般用于输入比较多的情况。
inputdict={
“X” :tf.placeholder(“float”)
“Y” : tf.placeholder(“float”)
}

● 直接定义：一般很少使用。
tf.Variable(tf.zeros([1]),“bais”)

（2）定义“学习参数”的变量

学习参数的定义与输入的定义很像，分为直接定义和字典定义两部分。这两种都是常见的使用方式，只不过在深层神经网络里由于参数过多，普遍都会使用第二种情况。
直接定义

    # 模型参数
    W = tf.Variable(tf.random_normal([1]), name="weight")
    b = tf.Variable(tf.zeros([1]), name="bias")

（3）定义“运算”

定义“运算”的过程是建立模型的核心过程，直接决定了模型的拟合效果.运算中有正向传播模型：多层神经网络、卷积神经网、循环神经网络及更深层的GoogLeNet、Resnet等

（4）优化函数，优化目标

在有了正向结构和损失函数后，就是通过优化函数来优化学习参数。
反向传播过程，就是沿着正向传播的结构向相反方向将误差传递过去。这里面涉及的技术比较多，如L1、L2正则化、冲量调节、学习率自适应、adm随机梯度下降算法等，每一个技巧都代表一个时代。

（5）初始化所有变量

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

注意： 使用tf.global_variables_initializer函数初始化所有变量的步骤，必须在所有变量和OP定义完成之后。这样才能保证定义的内容有效，否则，初始化之后定义的变量和OP都无法使用session中的run来进行算值。

（6） 迭代更新参数到最优解

在迭代训练环节，都是需要通过建立一个session来完成的，常用的是使用with语法，可以在session结束后自行关闭.

    with tf.Session() as sess:

（7）测试模型

测试模型部分已经不是神经网络的核心环节了，同归对评估节点的输出，得到模型的准确率（或错误率）从而来描述模型的好坏.

（8）使用模型

一般会把生成的模型保存起来，再通过载入已有的模型来进行实际的使用。