Tensorflow 学习笔记

1. 基于Tensorflow的NN：

• 用张量表示数据，
• 用计算图搭建神经网络，
• 用会话执行计算图，
• 优化线上的权重（参数），
  得到模型

1.1 张量(tensor):多维数组（列表）阶：张量的维数

维数 -----阶----名字-----------例子-----
0-D ----0----标量 scalar-----s=1,2,3
1-D ----1----向量 vector -----v=[1,2,3]
2-D ----2----矩阵 matrix -----m=[[1,2,3],[4,5,6],[7,8,9]]
n-D-----n----张量 tensor ------t=[[[... n个
张量可以表示0阶到n阶数组（列表）

1.2 计算图(Graph):搭建神经网络的计算过程，只搭建，不运算。

1.3 会话(Session): 执行计算图中的节点运算

1.4 权重W，用变量表示，随机给初值

w=tf.Variable(tf.random_normal([2,3], stddev=2, mean=0, seed=1)
tf.random_normal():正态分布，可以用tf.truncated_normal()替换：去掉过大偏离点的正态分布
[2,3]： 产生2x3矩阵
stddev=2：标准差为2
mean=0：均值为0
seed=1：随机种子

2. 神经网络的实现过程：

2.1：准备数据集，提取特征，作为输入喂给神经网络
2.2：搭建NN结构，从输入到输出（先搭建计算图，再用会话执行）
（NN前向传播算法：计算输出）

前向传播
推导

2.3：大量特征数据喂给NN，迭代优化NN参数
把每一次的输出与标准答案的差反向传回神经网络，调整神经网络的参数，直到模型达到要求
（NN反向传播算法：优化参数训练模型）
2.4：使用训练好的模型预测和分类