tensorflow学习笔记一——just get started

　　我现在什么都不知道，打算开始学习tensorflow作为机器学习入门的开始。

　　昨天完成了对tensorflow官方入门介绍的学习，了解了tensorflow的基本原理和编程方法。我们在进行tensorflow编程时，程序的逻辑是：建立数据流图-->初始化变量-->运行程序。下面就每一步进行介绍。

1. 建立数据流图
   　　完成了这一部分的学习，我才了解了tensorflow的意思。在tensorflow中，程序的逻辑可以表示成数据流图，图的节点是一组对tensor（向量或者矩阵）的操作，节点的输出仍是一组向量或者矩阵。在建立数据流图时，可以先给出数据，或者用变量表示输入数据，在第三步运行时再对变量进行赋值。

   import tensorflow as tf
   
   # Create a Constant op that produces a 1x2 matrix.  The op is
   # added as a node to the default graph.
   #
   # The value returned by the constructor represents the output
   # of the Constant op.
   matrix1 = tf.constant([[3., 3.]])
   
   # Create another Constant that produces a 2x1 matrix.
   matrix2 = tf.constant([[2.],[2.]])
   
   # Create a Matmul op that takes ‘matrix1‘ and ‘matrix2‘ as inputs.
   # The returned value, ‘product‘, represents the result of the matrix
   # multiplication.
   product = tf.matmul(matrix1, matrix2)

   上面一段代码就创建了简单的图界面，节点的输入是两个常量矩阵，即在创建节点时已经给出了输入值，节点的输出是两个矩阵的乘积。当然，我们还可以用变量表示节点的输入，如步骤2的 代码所示

2. 初始化变量
   如果我们在建立数据流图时定义了变量，程序在运行之前首先需要对变量进行初始化。用于变量初始化的命令很简单：tensorflow.initialize_all_variables(),在下面的程序中定义了变量并进行了变量的初始化：

   import tensorflow as tf
   import numpy as np
   
   # Create 100 phony x, y data points in NumPy, y = x * 0.1 + 0.3
   x_data = np.random.rand(100).astype(np.float32)
   y_data = x_data * 0.1 + 0.3
   
   # Try to find values for W and b that compute y_data = W * x_data + b
   # (We know that W should be 0.1 and b 0.3, but Tensorflow will
   # figure that out for us.)
   W = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
   b = tf.Variable(tf.zeros([1]))
   y = W * x_data + b
   
   # Minimize the mean squared errors.
   loss = tf.reduce_mean(tf.square(y - y_data))
   optimizer = tf.train.GradientDescentOptimizer(0.5)
   train = optimizer.minimize(loss)
   
   # Before starting, initialize the variables.  We will ‘run‘ this first.
   init = tf.initialize_all_variables()
   
   # Launch the graph.
   sess = tf.Session()
   sess.run(init)

3. 运行程序，得到结果
   运行程序之前需要通过tensorflow.Session()建立session，然后运行程序，如果我们已经在建立流图时给出了程序的输入，那么直接将需要计算的结果作为run的参数：
   
   

    1 import tensorflow as tf
    2 import numpy as np
    3 #输入已经给出
    4 x_data = np.random.rand(100).astype(np.float32)
    5 y_data = x_data * 0.1 + 0.3
    6
    7 W = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
    8 b = tf.Variable(tf.zeros([1]))
    9 y = W * x_data + b
   10
   11 # Minimize the mean squared errors.
   12 loss = tf.reduce_mean(tf.square(y - y_data))
   13 optimizer = tf.train.GradientDescentOptimizer(0.5)
   14 train = optimizer.minimize(loss)
   15
   16 # Before starting, initialize the variables.  We will ‘run‘ this first.
   17 init = tf.initialize_all_variables()
   18
   19 # Launch the graph.
   20 sess = tf.Session()
   21 sess.run(init)
   22
   23 # Fit the line.
   24 for step in range(201):
   25     sess.run(train)
   26     if step % 20 == 0:
   27         #我们需要计算W和b的值，将他们作为run的参数
   28         print(step, sess.run(W), sess.run(b))
   29
   30 # Learns best fit is W: [0.1], b: [0.3]

   对于使用变量代表输入的程序，需要将变量赋值并作为run的参数：

   

   #定义了变量，未经性赋值
   input1 = tf.placeholder(tf.float32)
   input2 = tf.placeholder(tf.float32)
   output = tf.mul(input1, input2)
   
   with tf.Session() as sess:
       #运行时，以字典形式传入变量的值
     print(sess.run([output], feed_dict={input1:[7.], input2:[2.]}))