TensorFlow入门（一）

1、为什么要用TensorFlow？

TensorFlow的作用是让你从诸如“如何读入一堆图片”“如何处理图像的灰度值”“如何归一化向量”这样的细节问题中解脱出来，让你不用担心自己的模型中有各种各样的bug；因此，你可以更关注于建立一个优秀的模型，提升模型的性能，使它的精确度更高，泛化性更好等等。

Heavy concepts，light codes.

2、TensorFlow的特点

为了用python实现高效的数值计算，我们通常会使用函数库，比如NumPy，会把类似矩阵乘法这样的复杂运算使用其他外部语言实现。不幸的是，从外部计算切换回Python的每一个操作，仍然是一个很大的开销。如果你用GPU来进行外部计算，这样的开销会更大。用分布式的计算方式，也会花费更多的资源用来传输数据。

TensorFlow也把复杂的计算放在python之外完成，但是为了避免前面说的那些开销，它做了进一步完善。Tensorflow不单独地运行单一的复杂计算，而是让我们可以先用图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。（这样类似的运行方式，可以在不少的机器学习库中看到。）

3、用TensorFlow框架实现MNIST数据集识别

import tensorflow as tf
import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
# input images as N*784 matrix
x = tf.placeholder("float", [None, 784])

# weight
W = tf.Variable(tf.zeros([784, 10]))
# bias
b = tf.Variable(tf.zeros([10]))

# softmax predict
y = tf.nn.softmax(tf.matmul(x, W) + b)

# labels
y_ = tf.placeholder("float", [None, 10])
cross_entropy = -tf.reduce_sum(y_*tf.log(y))

# train setting: learning rate 0.01, loss function cross entropy
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

# initialize
init = tf.global_variables_initializer()

# default session
sess = tf.Session()
sess.run(init)

# trainning
for i in range(1000):
    batch_xs, batch_ys = mnist.train.next_batch(100)
    sess.run(train_step, feed_dict={x: batch_xs, y_:batch_ys})

correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction,"float"))
print( sess.run(accuracy, feed_dict={x:mnist.test.images, y_:mnist.test.labels}) )

附录：