tensorflow笔记

张量，计算图，会话

张量：多维数组
一阶张量-向量 eg：v=[1,2,3] 二阶张量-矩阵
加法 只显示张量的性质，不显示实际的计算值

计算图：搭建神经网络的计算过程，只搭建，不运算

绘画（session）：执行计算图中的节点运算

 with tf.Session() as sess:
      print sess.run(y)//y是需要计算的式子

神经网络实现过程：
1.准备数据集，提取特征
2.搭建NN结构，从输入到输出（先搭建计算图，再用会话执行）
3.大量特征数据喂给NN，迭代优化参数
4.使用训练好的模型预测和分类

前向传递
X是输入为1*2矩阵：W为待优化的参数，a代表计算层
a=tf.matmul(X,W1)
y=tf.matmul(a,W2)

变量的初始化

init_op = tf.global_variables_initializer() //初始化
sess.run(init_op)

计算图节点
sess.run(y)

喂入数据
喂一组数据：

x=tf.placeholder(tf.float32,shape=(1,2)) //注 其中1代表一组数据，2代表数据的维度，比如该例子中体重和大小两个数据既为2
sess.run(y,feed_dict={x:[[0.5,0.6]]})

喂多组数据：

x=tf.placeholder(tf.float32,shape=(None,2)) //注当要喂入多组数据时用none表示
sess.run(y,feed_dict={x:[[0.1,0.2],[0.3,0.4]]})

反向传播
损失函数（Loss）：预测值（y）和已知函数（y_）的差距
均方误差MSE： MSE（y_,y)【（y-y_)^2/n】

loss= tf.reduce_mean(tf.square(y_-y))

以减小loss值为优化目标