TensorFlow 完整的TensorFlow入门教程

1：你想要学习TensorFlow，首先你得安装Tensorflow，在你学习的时候你最好懂以下的知识：

    a：怎么用python编程；

     b：了解一些关于数组的知识；

     c：最理想的情况是：关于机器学习，懂一点点；或者不懂也是可以慢慢开始学习的。

2：TensorFlow提供很多API，最低级别是API:TensorFlow Core，提供给你完成程序控制,还有一些高级别的API，它们是构建在

TensorFlow Core之上的，这些高级别的API更加容易学习和使用，于此同时，这些高级别的API使得重复的训练任务更加容易，

也使得多个使用者操作对他保持一致性，一个高级别的API像tf.estimator帮助你管理数据集合，估量，训练和推理。

3：TensorsTensorFlow的数据中央控制单元是tensor(张量)，一个tensor由一系列的原始值组成，这些值被形成一个任意维数的数组。

一个tensor的列就是它的维度。

4：

import tensorflow as tf

上面的是TensorFlow 程序典型的导入语句，作用是：赋予Python访问TensorFlow类(classes)，方法（methods），符号(symbols)

5：The Computational Graph TensorFlow核心程序由2个独立部分组成：

    a:Building the computational graph构建计算图

    b:Running the computational graph运行计算图

一个computational graph(计算图)是一系列的TensorFlow操作排列成一个节点图。

1. node1 = tf.constant(3.0, dtype=tf.float32)
2. node2 = tf.constant(4.0)# also tf.float32 implicitly
3. print(node1, node2)

最后打印结果是：

Tensor("Const:0", shape=(), dtype=float32) Tensor("Const_1:0",shape=(), dtype=float32)

要想打印最终结果，我们必须用到session:一个session封装了TensorFlow运行时的控制和状态

1. sess = tf.Session()
2. print(sess.run([node1, node2]))

我们可以组合Tensor节点操作(操作仍然是一个节点)来构造更加复杂的计算，

1. node3 = tf.add(node1, node2)
2. print("node3:", node3)
3. print("sess.run(node3):", sess.run(node3))

打印结果是：

1. node3:Tensor("Add:0", shape=(), dtype=float32)
2. sess.run(node3):7.0

6：TensorFlow提供一个统一的调用称之为TensorBoard，它能展示一个计算图的图片；如下面这个截图就展示了这个计算图

7：一个计算图可以参数化的接收外部的输入，作为一个placeholders(占位符)，一个占位符是允许后面提供一个值的。

1. a = tf.placeholder(tf.float32)
2. b = tf.placeholder(tf.float32)
3. adder_node = a + b # + provides a shortcut for tf.add(a, b)

这里有点像一个function (函数)或者lambda表达式，我们定义了2个输入参数a和b，然后提供一个在它们之上的操作。我们可以使用

feed_dict(传递字典)参数传递具体的值到run方法的占位符来进行多个输入，从而来计算这个图。

1. print(sess.run(adder_node, {a:3, b:4.5}))
2. print(sess.run(adder_node, {a: [1,3], b: [2,4]}))

结果是：

1. 7.5
2. [3. 7.]

在TensorBoard，计算图类似于这样：

8：我们可以增加另外的操作来让计算图更加复杂，比如

1. add_and_triple = adder_node *3.
2. print(sess.run(add_and_triple, {a:3, b:4.5}))
3. 输出结果是：
4. 22.5

在TensorBoard，计算图类似于这样：

9：在机器学习中，我们通常想让一个模型可以接收任意多个输入，比如大于1个，好让这个模型可以被训练，在不改变输入的情况下,

我们需要改变这个计算图去获得一个新的输出。变量允许我们增加可训练的参数到这个计算图中，它们被构造成有一个类型和初始值：

1. W = tf.Variable([.3], dtype=tf.float32)
2. b = tf.Variable([-.3], dtype=tf.float32)
3. x = tf.placeholder(tf.float32)
4. linear_model = W*x + b

10：当你调用tf.constant时常量被初始化，它们的值是不可以改变的，而变量当你调用tf.Variable时没有被初始化，

在TensorFlow程序中要想初始化这些变量，你必须明确调用一个特定的操作，如下：

1. init = tf.global_variables_initializer()
2. sess.run(init)

11：要实现初始化所有全局变量的TensorFlow子图的的处理是很重要的，直到我们调用sess.run，这些变量都是未被初始化的。

既然x是一个占位符，我们就可以同时地对多个x的值进行求值linear_model，例如：

1. print(sess.run(linear_model, {x: [1,2,3,4]}))
2. 求值linear_model
3. 输出为
4. [0. 0.30000001 0.60000002 0.90000004]

12：我们已经创建了一个模型，但是我们至今不知道它是多好，在这些训练数据上对这个模型进行评估，我们需要一个

y占位符来提供一个期望的值，并且我们需要写一个loss function(损失函数)，一个损失函数度量当前的模型和提供

的数据有多远，我们将会使用一个标准的损失模式来线性回归，它的增量平方和就是当前模型与提供的数据之间的损失

，linear_model - y创建一个向量，其中每个元素都是对应的示例错误增量。这个错误的方差我们称为tf.square。然后

，我们合计所有的错误方差用以创建一个标量，用tf.reduce_sum抽象出所有示例的错误。

1. y = tf.placeholder(tf.float32)
2. squared_deltas = tf.square(linear_model - y)
3. loss = tf.reduce_sum(squared_deltas)
4. print(sess.run(loss, {x: [1,2,3,4], y: [0, -1, -2, -3]}))
5. 输出的结果为
6. 23.66

13：我们分配一个值给W和b(得到一个完美的值是-1和1)来手动改进这一点,一个变量被初始化一个值会调用tf.Variable，

但是可以用tf.assign来改变这个值，例如：fixW = tf.assign(W, [-1.])

1. fixb = tf.assign(b, [1.])
2. sess.run([fixW, fixb])
3. print(sess.run(loss, {x: [1,2,3,4], y: [0, -1, -2, -3]}))
4. 最终打印的结果是：
5. 0.0

14：tf.train APITessorFlow提供optimizers(优化器)，它能慢慢改变每一个变量以最小化损失函数，最简单的优化器是

gradient descent(梯度下降)，它根据变量派生出损失的大小,来修改每个变量。通常手工计算变量符号是乏味且容易出错的，

因此，TensorFlow使用函数tf.gradients给这个模型一个描述，从而能自动地提供衍生品，简而言之，优化器通常会为你做这个。例如：

1. optimizer = tf.train.GradientDescentOptimizer(0.01)
2. train = optimizer.minimize(loss)
3. sess.run(init)# reset values to incorrect defaults.
4. for iin range(1000):
5. sess.run(train, {x: [1,2,3,4], y: [0, -1, -2, -3]})
7. print(sess.run([W, b]))
8. 输出结果为
9. [array([-0.9999969], dtype=float32), array([ 0.99999082], dtype=float32)]

现在你已经完成了实际的机器学习，尽管这个简单的线性回归模型不要求太多TensorFlow core代码，更复杂的模型和

方法将数据输入到模型中，需要跟多的代码，因此TensorFlow为常见模式，结构和功能提供更高级别的抽象，我们将会

在下一个章节学习这些抽象。