机器学习（PET图像重建、tensorflow、GPU/distributed）

1. TensorFlow 

TensorFlow不仅可以用来做神经网络算法研究，也可以用来做普通的机器学习算法，甚至是只要你能够把计算表示成数据流图，都可以用TensorFlow。

一个简单的小例子：（前三张：输入，最后一张：输出）loss会返回，使得输入无限准确。经过200次的训练，使得w和b的值无限接近一开始预设的0.1和0.3。

            

     

人工智能实战项目合集：https://github.com/Honlan/DeepInterests

 在使用TensorFlow之前，有必要了解如下几个概念：

 

1. 计算是用图的形式表示的。

2. Sessions是执行的入口，类似于SparkContext。

3. 数据是用tensor表示的。

4. Variables用来表示可变状态，比如模型参数。

5. 使用feeds和fetches从运算节点输入和输出数据。

 

TensorFlow计算框架要求所有的计算都表示成图，节点在图中被称为运算op(operation简称)。一个运算可以获得零个或者多个Tensors，经过计算，可以产生零个或者多个Tensors。一个Tensor是一个多维数组，举个例子，可以把一批图像数据表示成一个4维浮点数组[batch, height, width, channels]

计算图是通过Session提交，一个Session决定图中的运算该到那个设备上去计算，比如是选CPU还是CPU。运算op产生的结果在python中是一个numpy.ndarray数组对象，在C和C++中是tensorflow::Tensor实例。

 

shape [2,3] 表示为数组的意思是第一维有两个元素，第二维有三个元素，如: [[1,2,3],[4,5,6]]

TensorFlow用张量这种数据结构来表示所有的数据。你可以把一个张量想象成一个n维的数组或列表。一个张量有一个静态类型和动态类型的维数。张量可以在图中的节点之间流通。在TensorFlow系统中，张量的维数来被描述为阶。

import tensorflow as tf  

a = tf.constant([[1.,2.,3.],[4.,5.,6.],[7.,8.,9.]],shape = [3,3])  

b = tf.initialize_all_variables()  
  
with tf.Session() as sess:  

    sess.run(b)  

    print(sess.run(a))  

[[ 1.  2.  3.]  

 [ 4.  5.  6.]  

 [ 7.  8.  9.]]  

 

2. 拓展知识

PET：

正电子发射型计算机断层显像（Positron Emission Computed Tomography），是