TensorFlow算法的模板

1. Import or generate data
   我们所有的机器学习算法都是依赖于数据，所以我们首先得准备好数据。

2. Transform and normalize data
   我们准备的数据很有可能不是算法所希望的格式，所以我们必须把数据转化为我们可以用的格式。还有大多数算法希望数据是经过标准化的，所以我们需要对数据进行标准化。

data = tf.nn.batch_norm_withglobal_normalization(...)

1. Set algorithm parameters
   我们的算法通常有一系类参数需要我们去设置，这些参数在算法的整个运行过程中是不变的。

learning rate = 0.01  iteration = 1000

1. Initialize variables and placeholder
   Tensorflow 取决于我们去告诉它什么是可以改变的，什么是不可以改变的。Tensorflow将在最小化损失函数的过程中改变变量。为了完成这个过程，我们通过定义placeholder和变量，并且初始化placeholder和variables的size和type.

a_var = tf.constant(42) 
x_input = tf.placeholder(tf.float32,[None,input_size])
y_input = tf.placeholder(tf.float32,[None,Num_classes])

1. Define the model structure
   在我们准备好数据，并且初始化 varialbles 和 placeholder 之后，我们必须定义模型。这个听过建立一个计算图来完成的。我们告诉Tensorflow在varialbles和placeholder上执行什么操作来达到完成我们预测

y_pred = tf.add(tf.mul(x_inpt,weight_matrix),n_matrix)

1. Declare the loss functions
   在定义好模型之后，我们必须能够评估我们的输出，即声明损失函数

loss = tf.reduce_mean(tf.square(y_actual-y_pred))

1. Initialize and train the model
   现在一切都准备就绪啦，我们创建一个计算图实例，通过placeholder网计算图中喂数据，让Tensorflow通过改变变量来更好的拟合我们的数据。

with tf.Session(graph=graph) as session:
    session.run(.....)

1. Evaluate the model
2. Predict new outcomes