入门框架时的常见问题

学习框架的原因？

方便、易用

学习框架的哪些知识点？

掌握一个项目的基本流程，就知道需要学习哪些知识点了

迅速学习框架的方法

根据项目每块流程的需要针对性的学
可以看官方的入门教程

TensorFlow快速入门思维导图

（图）

TensorFlow的高级API

TF SLIM：一个可以定义、训练和评估复杂模型的轻量库（用到的时候详细说）

TF Learn（tf.contrib.learn）:类似于scikit-learn的接口

其他：Keras等

TensorFlow学习要点

数据类型
运行机制
数据的I/O
模型的训练
模型的保存
模型的调用

TensorFlow的基本开发流程

项目流程

数据预处理－＞模型训练－＞模型保存－＞模型预测

数据预处理：数据准备、数据清洗、特征工程、归一化处理
神经网络与传统的机器学习不同，不需要做大量特征工程之后喂入特征，只需要设置好网络结构，输入原始数据即可完成训练。
可以先对原始数据做归一化的处理，避免训练误差。

编写TensorFlow的两个步骤

构建计算图graph
使用Session去执行graph中的operation

其中涉及的基本定义

Tensor

类型化的多维数组，是图的边
？？？是N维的矩阵，可以看做一种符号化的句柄，指向存储运算结果吗，执行之后返回的基本类型，例如numpy的数组、list等
创建方法：
1. tf.zeros()
2. tf.ones()
3. tf.fill()
4. tf.constant()
5. tf.random_uniform()
6. tf.random_normal()
7. ......
三个属性：rank、shape、data_type
- Rank：指的是数据的数据的维度，与线性代数中的rank不是一个概念
  （图）
  rank = 0（标量）、1（向量）、2（矩阵）、3~n（n维Tensor）
  注意rank与shape之间的关系！
- Shape：指的是Tensor每个维度数据的个数，可以用Python的list/tuple表示
  Rank和Shape之间的关系：
  (图)
- Data_type：是指单个数据的类型。常用DT_FLOAT，也就是32位的浮点数。
  所有的Types如下：
  （图）

Operation

执行计算的单元，图的节点
是一个符号化的运算过程，是TensorFlow中的基本单元。是Graph中的计算节点，输入和输出均为Tensor
创建方法：
1. tf.add()
2. ......

Graph

一张有边与点的图，其表示了需要进行计算的任务
TensorFlow中使用tf.Graph表示可计算的图，图是由操作Operation和张量Tensor构成的，其中Operation表示图的节点（即为运算单元），而Tensor则表示图的边（即为在Op之间流动的数据单元）
创建方法：
- tf.Graph._ init _()（MK语法限制，下划线无空格）：创建一个新的空Graph
- 在TF中本身存在一个默认的Graph，若直接使用则不需要再创建图
- 在with中调用tf.Graph().as_default()这个方法，可以设置默认的计算图
  （图）

Session

称之为会话的上下文，用于执行图
提供Operation执行和Tensor求值的环境
（图）
分布式运算的使用，指定GPU/CPU
释放资源
- 调用session.close()方法
  （图）
- 使用with tf.Session()创建上下文（Context）来执行，当上下文退出时，资源将自动释放
  （图）

三大基本概念之间的关系如下：

（图）

Tensor和Operation都是Graph的对象，Operation是图的节点，而Tensor作为边，将Op连接起来。而Graph又必须在Session中才能执行

例子一

（图）

在Tf中定义和执行这个计算图的操作时分开来的。
创建一个完整的计算过程：
1. 创建Tensor
2. 添加Operation
3. 创建Session，运行Graph
这个图里有3个Operation，输入不是Operation但是输出是，因为输出可以执行计算，但是输入不行。
Operation添加之后不会立即执行，TensorFlow将等待所有的Operation均添加到Graph中后，根据最终的输出需要运算相应的Operation。

TensorFlow中的基本函数

Veriable

作用：保存并且更新参数，保存在内存中

（未完待续）

tf

TensorFlow学习笔记（1）—— 基本概念与框架