tensorflow学习（1）

问题1：什么是张量（tensor）?

N维数组

问题2：什么是依赖控制？哪些边是依赖控制？

问题3：一句话概括Tensorflow？

答：TensorFlow是谷歌基于DistBelief进行研发的第二代人工智能学习系统，其命名来源于本身的运行原理。Tensor（张量）意味着N维数组，Flow（流）意味着基于数据流图的计算，TensorFlow为张量从流图的一端流动到另一端计算过程。TensorFlow是将复杂的数据结构传输至人工智能神经网中进行分析和处理过程的系统。

test1.py

import tensorflow as tf 
from tensorflow.examples.tutorials.mnist import input_data 
mnist = input_data.read_data_sets("MNIST_data/",one_hot=True) 
x = tf.placeholder( tf.float32, [None, 784] ) 
y_ = tf.placeholder( tf.float32, [None, 10] ) 
W = tf.Variable( tf.zeros([784,10]) ) 
b = tf.Variable( tf.zeros([10]) ) 
y = tf.nn.softmax( tf.matmul(x,W) + b ) 
cross_entropy = tf.reduce_mean( -tf.reduce_sum( y_*tf.log(y), reduction_indices=[1] ) ) 
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy) 
session = tf.InteractiveSession() 
tf.global_variables_initializer().run() 
for i in range(1000): 
	batch_xs, batch_ys = mnist.train.next_batch(100) 
	train_step.run( {x:batch_xs, y_:batch_ys} ) # print(i) 
correct_prediction = tf.equal( tf.argmax(y,1), tf.argmax(y_,1) ) 
accuracy = tf.reduce_mean( tf.cast(correct_prediction, tf.float32) ) 
print(accuracy.eval( {x:mnist.test.images, y_:mnist.test.labels} ))

运行结果：

问题1：y=Wx+b哪来的？

问题2：损失函数为什么是cross-entropy？

问题3：什么是forword什么是backword？

问题4：为什么有人提到softmax？