tensorflow搭建模型流程

1、确保训练测试数据的导入

训练数据需要使用的图像应该保存在numpy的数组中，并且根据实际需要进行预处理

2、输入数据设定 inputs(x,y)

需要注意的是要规定输入数据类型和矩阵的形状，一般都是写[None,你需要的长度]

3、隐藏层设定

隐藏层通过Weights(权重)，来改变输入的矩阵的大小，即input(?,n)*Weights(n,p)从而获得(?,p)，而为了应付不同隐藏点需要值的不同，还需要加入一个偏移量，加在乘法运算完的矩阵上，而为了使偏移量能更具有效率，一般要以0.1来开始训练为最佳。这步推荐先写个函数，这样后面就可以直接调用，避免代码重复。此外在隐藏层也是可以调用优化函数的，视情况考虑本隐藏层需不需要调用油画函数。

4、误差值计算

通过正确答案和错误答案的对比，得出的一个误差值，这里要注意误差值并不只有一个算法，网上有各种各样的误差值计算优化方法，图像识别比较常用的是这个tf.reduce_mean(-tf.reduce_sum(ys*tf.log(prediction),reduction_indices=[1]))，通过误差的计算就可以获得这次试运算和正确结果之间的差距。

5、调整算法的设置

有了误差那就要改变参数值了，同样的，调整参数的优化函数有很多，而且各有各的优缺点，新生最适合使用的是基础的GDO优化函数，在函数的最后要设置是对谁的优化，这里要把前一步的误差值填入，说明是减小这个值。

6、激活模型

要想真正让模型动起来，需要激活session，除此之外如果有使用变量，还要专门激活变量一下。

7、训练模型

通过一开始导入的数据，真正的开始训练模型，然后根据反馈的训练结果来动态的调整模型的结构，最后训练出满意的模型。

 

8、总结

可以看得出来，tensorflow的模型是一个溯源类型的架构，通过最后的优化器，一步步追溯前面引用到的东西，最后连接起来形成一个结构出来，我感觉就像链表一样神奇。