前面記錄了安裝過程，現在開始使用詞向量。

一．對tf的膚淺認識

首先是tf的基本總結（時間有限，認識比較膚淺）：

(1). 使用圖來表示計算；

(2). 在session中執行圖；

(3). 使用tensor來表示資料；

(4). Variable維護狀態

(5). 使用feed和fetch可以為任意的操作賦值和獲取資料。

看起來是不是蠻簡單的，但其實用起來不容易（可能本人道行太低）。

1. 跑tf的過程:

(1). 構建圖

構圖過程就是自己建立網路的過程。主要構建op和op之間的傳遞，op之間通過tensor實現資料傳輸。Op右構造器構造（tf.constent、tf.Variable、tf.matmul等），構造器的輸入是op的輸入。

庫裡有一個預設的圖，一般是在預設圖中新增op。

(2). 執行圖

構造完成後，可以啟動圖，首先建立一個session，建立是無引數傳入，則表示啟動預設圖。

通過session.run()來執行圖，可以新增引數，引數為op，執行完後返回op的執行後的結果。

(3). 儲存圖

在訓練建立圖時，可以定義saver=tf.train.saver()，如果沒有加引數，則會預設把所有變數全部儲存，此時，儲存的是圖中的變數。

在執行完圖後，做saver.save(session,save_path,…)即可把整個模型儲存下來。

(4). 恢復模型

訓練並儲存一次模型後，模型可重複恢復，使用。在恢復模型前，也要先建圖，在圖中部署使用模型做計算的op和計算過程，此時定義的op需要與訓練時定義的op對應（可以不完全複製，但此時要用的op要包含在訓練op中），然後任然定義saver=tf.train.saver()，儲存變數。

然後用saver.restore(session,save_path,…)載入模型，接下來，可以用session.run()執行圖。

二．詞向量

之前已經理過一次word2vec的演算法了，單獨的word2vec和tf均採用的mikolov大神的wordembedding演算法，所以，這裡只是操作，不做演算法分析。

Tf中包含的word2vec例子一共3個，word2vec_basic.py（examples/tutorial/word2vec）、word2vec_optimized.py、word2vec.py（models/embedding），

word2vec_basic.py比較簡單，下載text8然後選擇詞頻較高的5個詞訓練和測試，用distance來測試。完成後不儲存模型，用t分佈將詞的分佈用matplot顯示出來。

word2vec_optimized.py和word2vec.py的過程幾乎是一樣的，只是後者要做summary，會儲存日誌，可以通過tensorboard來視覺化，兩者都要儲存模型。

用word2vec_optimized.py和word2vec.py來訓練中文語料，epoch選擇15次效果就很好了。（效果如下）

葫蘆娃

=====================================

葫蘆娃            1.0000

葫蘆兄弟         0.5317

小葫蘆            0.4907

金剛葫蘆娃      0.4874

狩獵季節         0.4858

黑貓警長         0.4719

哪吒鬧海         0.4711

奧創紀元         0.4701

戰象               0.4530

美少女戰士      0.4506

葫蘆小金剛      0.4506

童年               0.4491

虹貓藍兔七俠傳 0.4428

沙人               0.4428

]]                   0.4372

西遊記            0.4351

變種時代         0.4334

新女婿時代      0.4330

電影版            0.4323

法櫃奇兵         0.4302

之前使用word2vec時，一直只全域性迭代（epoch）5次，在tf中迭代15次，效果明顯比5次好很多。說明，裡面那些預設引數也是需要調一調的。

用tensorboard視覺化如下：

其中，emb、swm_w_t、sm_b、gloab_step建圖時新增的。可以對比程式和圖看看。圖中，每個op的輸入、輸出、涉及到的網路都可以點選檢視細節，這點真的很好。

三．此次使用遇到的問題總結

(1). 對tensor和op的混淆。

在c系程式設計中，很容易把資料傳輸跟變數、指標等有實際名字的東西結合起來，因此，不自覺的把op當成tensor來呼叫。

從圖中取tensor的時候，名字實際上是<op>:<out_idx>，前面是op的名字，後面是第幾路輸出。液就是說tensor實際上是op的某一路輸出或者輸入，tensor就是一股資料。

(2). 被placeholder坑了。以為佔位符也相當於是變數，所以在建圖的時候把某些op定義成佔位符，結果在save的時候，placeholder根本不被儲存，導致在載入模型時，用placeholder定義的假op是不存在的。

（都是很二的錯誤啊！）

四．Caffe和tf的不成熟對比

之前用過caffe，所以，這裡就caffe和tf的使用（僅僅只敢評價使用）做個比較。

(1). Caffe開源更早，早期使用的人多一些，可找到的使用心得也多一些，像薛開宇的“caffe學習筆記”、知名博主卜居的書“21天實戰caffe”,寫得都很好。可以讓我等小菜很順利的跑很多例子。而tf除了中文的官方文件，其他中文資料較少。本人在幾天的使用過程中就遇到諸多問題，而無法查詢。

(2). Caffe使用prototxt就可以設定網路引數，並建立網路；而tf是用python先建立圖，然後執行的，對python和指令碼務必陌生的我，也覺得有點頭大。

(3). Caffe在執行時，日誌輸出比tf清晰一些，但是tf有視覺化工具，tensorBoard，這個如果想掌握細節，tfboard真的很詳細清晰。

(4). Tf雖然操作不那麼友好，但是，在操作過程中真的能學到很多東西。