深度学习入坑（一）

以后要用到深度学习做图像识别。

然后使用TensorFlow+WIN+ANACONDA自己摸索。

做了MNIST之后发现自己不懂的太多。需要从0开始.....

1、TensorFlow需要了解的：

• 使用图 (graph) 来表示计算任务.
• 在被称之为 会话 (Session) 的上下文 (context) 中执行图.
• 使用 tensor 表示数据.
• 通过 变量 (Variable) 维护状态.
• 使用 feed 和 fetch 可以为任意的操作(arbitrary operation) 赋值或者从其中获取数据.
• 图中的节点被称之为 op (operation 的缩写). 一个 op 获得 0 个或多个 Tensor（张量）, 执行计算, 产生 0 个或多个 Tensor. 每个 Tensor 是一个类型化的多维数组. 
  

小结1：

 我们得到了几个概念：会话，图，op，Tensor。它们之间的关系可以表示为：

1、 图包含节点（op），op的执行步骤被描述成图。（节点可以用来表示施加的数学操作。也可以是数据的输入输出。）

op获得0或多个张量（Tensor），op执行的计算产生0~n个张量。可以理解为op作为变量常量方法的结合体。

2、这些过程要在会话中进行。图在会话中激活，会话分发op到设备（CPU,GPU）并提供计算方法。

3、一般来说，过程分为两个阶段，一是用一个图来表示和构建神经网络，二是反复执行图中的训练op。

import tensorflow as tf
#第一步 构建输入
# 创建两个常量，作为输入op.
# 加到默认图中.
# 构造器的返回值代表该常量 op 的返回值.
matrix1 = tf.constant([[3, 3]])#1x2
matrix2 = tf.constant([[2],[2]])#2x1
# 创建一个矩阵乘法 matmul op , 把 'matrix1' 和 'matrix2' 作为输入.
# 返回值 'product' 代表矩阵乘法的结果.
product = tf.matmul(matrix1, matrix2)
# 启动默认图.
sess = tf.Session()
# 调用 sess 的 'run()' 方法来执行矩阵乘法 op, 传入 'product' 作为该方法的参数. 
# 整个执行过程是自动化的, 会话负责传递 op 所需的全部输入. op 通常是并发执行的.
# 函数调用 'run(product)' 触发了图中三个 op (两个常量 op 和一个矩阵乘法 op) 的执行.
# 返回值 'result' 是一个 numpy 'ndarray'对象.
result = sess.run(product)
print (result) #==12
# 任务完成, 关闭会话.
ss.close()

2、关于初学者常用到的类 方法 ：
1.Session类。会话类。图在调用它之后才被激活。如果没有使用交互式的会话。一般来说要使用run（）方法来运行op的运算和初始化。如果是交互式的话，可以用xx.eval()代替run()方法。

非交互式会话：

#乘法
def Sub():

    x=tf.Variable(0,name="one");#新建一个变量op，初始化为0
    a=tf.constant(1);#常量op
    new_value=tf.matmul(x,a);#运算op，做乘法运算
    update=tf.assign(x,new_value);#这个op包括两个op。将new_value给x。
    #初始化所有变量
    init_op=tf.global_variables_initializer();
    with tf.Session() as sess:
            sess.run(init_op);#运行这个op
            print("new_value=%g"%sess.run(new_value));#new_value是一个op。需要使用run 方法运行
            #运行update这个节点。更新x的值
            for i in range(3):
                sess.run(update);
                print(x.eval());
            print("new_value=%g"%sess.run(new_value));

交互式：

def Sub2():
    sess=tf.InteractiveSession();
    x=tf.Variable(0,name="matmul");
    a=tf.constant(2)
    x.initializer.run();#初始化x
    res=tf.subtract(x,a);
    update=tf.assign(x,res);
    for i in range(3):
        print(update.eval());
    print(res.eval())

占位符：

placeholder(dtype,shape,name)：类似函数形参.参数分别代表数据类型，维度（[1,3]代表1行3列）,名称

可以作为run()的参数使用

input1=tf.placeholder(tf.float32,[1,2])#输入1.1X2的矩阵
input2=tf.placeholder(tf.float32,[2,1])#2X1的矩阵
output=tf.matmul(input1,input2);
sess=tf.Session();
print(sess.run([output],feed_dict={input1:[[1,2]],input2:[[2],[1]]}))