tensorflow google实战 学习笔记——TensorFlow入门（2）

google实战介绍了tensorflow游乐场的使用以及前项传播算法，本文不总结深度学习算法内容，在已掌握深度学习基础知识后总结tensorflow实现其算法的相关内容。（也就是tensorflow各函数的具体用法，深度学习基础知识根据NG的课程学习）

神经网络前向传播过程：

a = tf.matmul(x,w1)
y = tf.matmul(a,w2)

tf.matmul(a,b)实现了矩阵的乘法功能。

TensorFlow 变量
TensorFlow中的变量需要指定初始值，在神经网络中给参数富裕随机初始值最为常见，所以一般也使用随机数给TensorFlow中的变量初始化。
在TensorFlow中声明一个2*3的矩阵变量的方法：

weights = tf.Variable(tf.random_normal([2,3],stddev=2))

变量声明函数tf.Variable()，在变量声明函数中给出了变量初始化的方法：产生一个2*3矩阵，矩阵中的元素是均值为0，标准差为2的随机数。TensorFlow中变量的初始值可以设置成随机数、常数、或者是通过其他变量的初始值计算得到。

实现前向传播的代码：

import tensorflow as tf 
w1 = tf.Variable(tf.random_normal([2,3],stddev=1,seed=1))
w2 = tf.Variable(tf.random_normal([3,1],stddev=1,seed=1))

x = tf.constant([[0.7,0.9]])

a = tf.matmul(x,w1)
y = tf.matmul(a,w2)

sess = tf.Session()
sess.run(w1.initializer)
sess.run(w2.initializer)

print(sess.run(y))
sess.close()

assign函数：
assign （
ref ，
value ，
validate_shape = None ，
use_locking = None ，
name = None
）
通过将 “value” 赋给 “ref” 来更新 “ref”。
此操作输出在赋值后保留新值 “ref” 的张量。这使得更易于链接需要使用重置值的操作。
一个变量在构建后类型不能再改变，通过assign函数重新赋值时需要注意类型是否相符，同时维度如果不符要将validate_shape设置为False，assign语句才能正常运行。

w1=tf.Variable(tf.random_normal([2,3],stddev=1,name='w1'))
w2=tf.Variable(tf.random_normal([2,3],dtype=tf.float64,stddev=1,name='w2'))
w1.assign(w2)

程序由于w1 w2类型不符 出现错误

w1=tf.Variable(tf.random_normal([2,3],stddev=1,name='w1'))
w2=tf.Variable(tf.random_normal([3,1],stddev=1,name='w2'))
tf.assign(w1,w2)

此时会报维度不匹配错误信息，改为：

tf.assign(w1,w2，validate_shape=False)

可将w2的值赋给w1