接收 但是 lambda表達式 auto square init 這一 nim 調用

TensorFlow

TensorFlow核心程序由2個獨立部分組成：

　　a:Building the computational graph構建計算圖 　　b:Running the computational graph運行計算圖 1.一個computational graph(計算圖)是一系列的TensorFlow操作排列成一個節點圖。 　　1.1 構建計算圖

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

結果：

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

　　1.2運行計算圖

我們必須用到session:一個session封裝了TensorFlow運行時的控制和狀態

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

　　1.3 我們可以組合Tensor節點操作(操作仍然是一個節點)來構造更加復雜的計算，

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

　　運行結果：

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

　　1.4 TensorFlow提供一個統一的調用稱之為TensorBoard，它能展示一個計算圖的圖片；如下面這個截圖就展示了這個計算圖

　　1.5 一個計算圖可以參數化的接收外部的輸入，作為一個placeholders(占位符)，一個占位符是允許後面提供一個值的。

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

　　這裏有點像一個function (函數)或者lambda表達式，我們定義了2個輸入參數a和b，然後提供一個在它們之上的操作。我們可以使用 feed_dict(傳遞字典)參數傳遞具體的值到run方法的占位符來進行多個輸入，從而來計算這個圖。　　

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

7.5
[3.  7.]

　　在TensorBoard，計算圖類似於這樣： 　　1.6我們可以增加另外的操作來讓計算圖更加復雜，比如

    add_and_triple = adder_node *3.
print(sess.run(add_and_triple, {a:3, b:4.5}))
輸出結果是：
22.5

　　在TensorBoard，計算圖類似於這樣： 　　1.7 在機器學習中，我們通常想讓一個模型可以接收任意多個輸入，比如大於1個，好讓這個模型可以被訓練，在不改變輸入的情況下, 我們需要改變這個計算圖去獲得一個新的輸出。變量允許我們增加可訓練的參數到這個計算圖中，它們被構造成有一個類型和初始值：

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

　　1.8 當你調用tf.constant時常量被初始化，它們的值是不可以改變的，而變量當你調用tf.Variable時沒有被初始化，

在TensorFlow程序中要想初始化這些變量，你必須明確調用一個特定的操作，如下：

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

　　1.9 要實現初始化所有全局變量的TensorFlow子圖的的處理是很重要的，直到我們調用sess.run，這些變量都是未被初始化的。

既然x是一個占位符，我們就可以同時地對多個x的值進行求值linear_model，例如：

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

　　1.10 我們已經創建了一個模型，但是我們至今不知道它是多好，在這些訓練數據上對這個模型進行評估，我們需要一個

y占位符來提供一個期望的值，並且我們需要寫一個loss function(損失函數)，一個損失函數度量當前的模型和提供 的數據有多遠，我們將會使用一個標準的損失模式來線性回歸，它的增量平方和就是當前模型與提供的數據之間的損失 ，linear_model - y創建一個向量，其中每個元素都是對應的示例錯誤增量。這個錯誤的方差我們稱為tf.square。然後 ，我們合計所有的錯誤方差用以創建一個標量，用tf.reduce_sum抽象出所有示例的錯誤。

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 輸出的結果為
6 23.66

　　1.11 我們分配一個值給W和b(得到一個完美的值是-1和1)來手動改進這一點,一個變量被初始化一個值會調用tf.Variable，

但是可以用tf.assign來改變這個值，例如：

fixW=tf.assign(W,[1.])
fixb = tf.assign(b, [1.])
sess.run([fixW, fixb])
print(sess.run(loss, {x: [1,2,3,4], y: [0, -1, -2, -3]}))
最終打印的結果是：
0.0

　　1.12 tf.train APITessorFlow提供optimizers(優化器)，它能慢慢改變每一個變量以最小化損失函數，最簡單的優化器是

gradient descent(梯度下降)，它根據變量派生出損失的大小,來修改每個變量。通常手工計算變量符號是乏味且容易出錯的， 因此，TensorFlow使用函數tf.gradients給這個模型一個描述，從而能自動地提供衍生品，簡而言之，優化器通常會為你做這個。例如：

    optimizer = tf.train.GradientDescentOptimizer(0.01)
train = optimizer.minimize(loss)
sess.run(init)# reset values to incorrect defaults.
for iin range(1000):
   sess.run(train, {x: [1,2,3,4], y: [0, -1, -2, -3]})
 
print(sess.run([W, b]))
輸出結果為
[array([-0.9999969], dtype=float32), array([ 0.99999082], dtype=float32)]

本文僅用於學習研究，非商業用途，如需參考，請註明出處，作者：木子龍。

本文參考了以下地址的講解，萬分感謝,如有侵權，請聯系我會盡快刪除，[email protected]：

https://blog.csdn.net/lengguoxing/article/details/78456279

https://www.cnblogs.com/kang06/p/9373600.html

TensorFlow 框架