Tensorflow2.0学习笔记（知识储备）

Tensorflow2.0学习笔记（知识储备）

---

前言

学习任何一项技能时，首先要有对它的初步认识，这篇文章用极短的篇幅介绍了tensorflow和学习tensorflow要储备的基本知识，帮助快速入门。

---

一、Tensorflow是什么？

Tensorflow是一种用图的方式来表示运算过程的一种模型。它不单独地运行单一的复杂计算，而是先用图来描述一系列可交互的计算操作，然后全部一起在python之外运行。

Tensorflow基本功能：

1. 使用 graph 来表示计算任务。
2. 再被称之为 Session 的上下文中执行图。
3. 使用 tensor 表示数据。
4. 通过 Variable 维护状态。
5. 使用 feed 或 fetch 可以为任意的操作赋值或者从中获取数据。

二、神经网络

神经网络的传播都是形如Y=WX+b的矩阵运算；为了给矩阵运算加入非线性，需要在隐藏层中加入激活层；输出层结果需要经过Softmax层处理为概率值，并通过交叉熵损失来量化当前网络的优劣。

神经网络工作方式：

1. 确定输入和输出。
2. 找到一种或多种方法，可以从输入得到输出。
3. 找到一组已知答案的数据集，用来训练模型，估算w（权重）和b（阈值）。
4. 一旦新的数据产生，输入模型，就可以得到结果，同时对w和b进行校正。

神经网络框图

Softmax回归模型

图片来源于网络

简单来说，神经网络的过程就是正向传播得到Loss值，再把Loss值反向传播，并对神经网络的参数进行更新。其中反向传播正是神经网络的要点所在。

反向传播：我们使用反向传播的目标是更新网络中的每个权重，使它们使实际输出更接近目标输出，从而最大限度地减少每个输出神经元和整个网络的误差。

三、Python

Python语言是Tensorflow学习中最为基础的部分，由于我之前学过，所以这次没有做相关笔记（详见我过去的微博——Python学习周记）。

总结

以上为本次笔记内容。 作为正式学习前的知识储备，会有很多不足之处，等到正式学习之后会根据需要，进一步更新。