重新梳理tensorflow

終於換了一個高檔顯卡，所以對tf重新進行梳理，趕緊追上時代潮流

1）使用MNIST數據集

import input_data

mnist = input_data.read_data_sets(MNIST_data/,one_hot = True)

2)使用tf定義placeholder和Variable

x = tf.placeholder(float,[None,784])

W = tf.Variable(tf.zeros([784,10]))

b = tf.Variable(tf.zeros([10]))

3)使用定義的placeholder和Variable計算y值

y = tf.nn.softmax(tf.matmult(x,W)+b)

4)定義誤差函數

cross_entropy = tf.reduce_sum(y_*tf.log(y))

5)定義訓練的operator

train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

6)初始化所有variable

sess.run(tf.global_variables_initializer())

7)對模型進行訓練

batch_xs,batch_ys = mnist.train.next_batch(100)

sess.run(train_step,feed_dict={x:batch_xs,y_batch_ys})

8)對模型進行評估

correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(y_,1))

accuracy = tf.reduce_mean(tf.cast(correct_rediction,float))

sess.run(accuracy,feed_dict={})

歸納一下，tf通常套路：

1）定義placeholder作為輸入和真實結果

2）定義Variable作為參數

3）中間的值可以直接使用tf.nn庫中激活函數形式加以定義

4）定義loss函數

5）定義train_op，使用的是tf.train庫中優化方法，優化目標為定義的loss函數

6)在tf.Session中首先全部初始化Variable（global_variables_initializer），注意sess均使用的是run函數

7）定義循環次數，在for循環內部使用sess.run執行train_op，完成模型訓練

8）對於模型評估，直接使用真實結果placeholder與定義的模型輸出結果進行比較即可