TensorFlow是Google公司2015年11月開源的第二代深度學習框架,是第一代框架DistBelief的改進版本.

TensorFlow支持python和c/c++語言, 可以在cpu或gpu上進行運算, 支持使用virtualenv或docker打包發布.

定義變量

為了使用tensorflow，首先我們需要導入它

import tensorflow as tf

對于符號變量，我們新建一個

x = tf.placeholder(tf.float32, [None, 784])

這里x并不是一個特定的值，只是一個占位符，后面我們需要用tensorflow進行計算式，我們會把它作為輸入

在模型中，我們需要weights權重和biases偏置，這里就用Variable來處理定義，Variable可以在整個計算過程中modified

w = tf.Variable(tf.zeros([784, 10]))b = tf.Variable(tf.zeros([10]))

在新建Variable的同時，我們也初始化了它，然后

y = tf.nn.softmax(tf.matmul(x, w) + b)

這樣我們就成功的實現了我們的模型

訓練

我們用cross-entropy作為我們的cost function

H_{y'}(y) = -/sum_i y'_i /log(y_i)

y就是我們預測的概率分布，y'是真實的概率分布

為了實現交叉熵，我們需要一個新的占位符來作為正確答案的輸入

y_ = tf.placeholder(tf.float32, [None, 10])cross_entropy = -tf.reducen_sum(y_ * tf.log(y))

通過梯度下降來實現優化模型

train_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(cross_entropy)

我們使用這個模型之前，最后一件我們需要做的事是

init = tf.initialize_all_variables()with tf.Session() as sess:  sess.run(init)

現在，我能可以訓練1000次這個模型了，☺️

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

使用隨機數據的小batch就稱為隨機訓練

模型評分

首先，我們對比真實的y_和模型所得y之間正確的個數有多少

correct_prediction = tf.equal(tf.argmax(y, 1), tf.agrmax(y_, 1))

這個會返回一個boolean列表，比如[True, False, True, True]

accuracy = tf.reduce_mean(tf.cast(correc_prediction, tf.float32))print (sess.run(accuracy, feed_dict = {x: mnist.test.images, y_: minst.test.labels}))

最后就通過以上計算得到準確率

開始使用

TensorFlow并不是一個純粹的神經網絡框架, 而是使用數據流圖進行數值分析的框架.

TensorFlow使用有向圖(graph)表示一個計算任務.圖的節點稱為ops(operations)表示對數據的處理,圖的邊flow 描述數據的流向.

該框架計算過程就是處理tensor組成的流. 這也是TensorFlow名稱的來源.