深度学习1

1. 机器学习和深度学习

1. 机器学习代指传统的算法。
2. 常用的深度学习库：tensorflow
3. tensorflow的特点：
   
4. 数据流图
   tensor：张量
   operation(op)：专门运算的操作节点，所有操作都是一个节点
   graph：图，整个程序的结构
   会话：运算程序的图
   
5. 计算密集型和IO密集型

1. 数据流图中的要素分析

1. 图

1. 计算密集型和IO密集型
2. 图默认已经注册，一组表示 tf.Operation计算单位的对象和tf.Tensor
   表示操作之间流动的数据单元的对象
3. 获取调用：
   tf.get_default_graph()
   op、sess或者tensor 的graph属性，对于在同一个图上面定义的张量的graph属性都是同一个地址值。
4. 图的创建（如果不创建就默认）
   
5. 图包含了op、张量和上下文环境
6. op可以视为一个载体，tensor可以看做是一个被载的对象。
7. 哪些是op
   

2. 会话

1. 会话作用：
   1. 运行图的结构
   2. 分配资源计算
   3. 掌握资源（变量的生命周期等资源，队列、线程）
2. 会话一次只能运行一个图。
3. tf.Session()
   运行TensorFlow操作图的类，使用默认注册的图（可以指定运行图，Session中协商相应参数）
4. 会话资源
   会话可能拥有很多资源，如 tf.Variable，tf.QueueBase
   和tf.ReaderBase，会话结束后需要进行资源释放
   1. sess = tf.Session()
   2. sess.run(…) 作用是启动整个图
   3. sess.close() 作用是释放资源
5. 以上三个操作比较繁琐，所以可以使用上下文管理器with：
   
6. 会话的run方法
   tf.placeholder是一个占位符
7. Tensorflow Feed操作
   意义：在程序执行的时候,不确定输入的是什么，提前“占个坑”
   语法：placeholder提供占位符，run时候通过feed_dict指定参数
   
   

3. 张量

1. 基础知识：
   
2. 张量的阶：
   
3. 张量的数据类型：
   
4. 张量的属性：
   张量.属性
   
   
5. 张量的动态形状和静态形状
   没有生成新的张量：静态形状
   对于一个动态形状，可以利用set_shape改成静态形状，但是一旦改成静态形状，那就不能使用set_shape进行改动，需要使用tf.reshape进行改动维度。
   
6. 张量操作：生成张量
   固定值张量：