本文共 2421 字，大约阅读时间需要 8 分钟。
终究还是回到了NN上面来，两年左右的时间没做了，尽管基础知识还是没忘记，但是很多这两年出来的很新的开发平台倒是不会用了，去美国之前还是主打theano，现在这么多的优秀平台，考虑到最近CPU资源的机器比较多，所以考虑了使用Tensorflow。今天算是真正第一天上手，就记录一下我的感受吧。
其实写法和theano差不多，但是已经很简洁了，尤其theano中需要自己定义模型，模型里面如何shuffle以及把误差加起来平均等都需要手工来写，但是在TF中很简洁了已经。这里来弄个做softmax的在mnist下的例子代码，然后着重讲解几句吧：
1 from tensorflow.examples.tutorials.mnist import input_data2 import tensorflow as tf3 mnist = input_data.read_data_sets('MNIST_data', one_hot=True)4 x = tf.placeholder(tf.float32, shape=[None, 784])5 y = tf.placeholder(tf.float32, shape=[None, 10])6 W = tf.Variable(tf.zeros([784, 10]))7 b = tf.Variable(tf.zeros([10]))8 sess = tf.InteractiveSession()9 sess.run(tf.global_variables_initializer())10 pred_y = tf.matmul(x, W) + b11 cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=pred_y))12 train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)13 for _ in range(1000):14 batch = mnist.train.next_batch(100)15 train_step.run(feed_dict={x:batch[0], y:batch[1]})16 correct_pred = tf.equal(tf.argmax(pred_y, 1), tf.argmax(y, 1))17 accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32))18 print(sess.run(accuracy, {x:mnist.test.images, y:mnist.test.labels})) 1-2行就不多说了吧，导入必要的包，以及当前例子中的数据包，这个数据包是首先看看当前文件夹下的MNIST_data下有没有数据，没有的话下载，我是自己下载放进来的，这个MNIST_data是运行一次它自己就创建的了
3行是加载进来mnist数据，其中one_hot指的是是否把标签换成矩阵的形式，如果做过matlab下的mnist的分类，大家肯定都知道这回事，为true则转换，否则不转换。我觉得转换不转都可以，如果不转换的话在计算correct_pred的时候就不需要argmax了。
4-7定义输入数据的placeholder，以及权重和偏置的variable，之所以定义成variable是因为TF需要在每一步迭代之后要自动更新它们的值，如果定义成constant则无法更新了，这个更新是优化过程中自动更新的。placeholder就是个占位符号，theano中也有的，写法不一样，意思就是占位置，具体使用的时候在传递进来值。
8-9就不多说了，TF的内部要求意味着创建session对象为了在构建grahic之后可以编译进去，也就是前段和后端的连接（这句话不理解也没事，可以忽略）
第10行计算输入数据的输出，也就是提供给softmax的输入，这里看到没有任何非线性的变换哈
第11行计算训练数据的交叉熵，也就是训练数据在softmax的输出和真实训练数据类标的误差
第12行构建训练对象，0.5指的是梯度下降的学习率吧
第13-15行，是训练1000次的mini_batch
第16行计算正确分类的个数，第17行把这个布尔类型的分类个数转换成浮点数的百分比
第18行传递进入测试数据信息，进行测试数据上的分类率的计算。
初次之外，我想说几点：
1：第15行，如果新手才开始，就会看到tutorial上写的是应该用sess.run(train_step, {x:…})这样的方式，但是此处用了直接train_step.run… 这是因为我们生命session的对象的方式是Interactive Session，此处也可以直接用sess.run(..)的方式来运行。2：其实次数有2个session的运行，除了刚才说的train_step，另外一个就是最后一句，计算accuracy，注意此处，其实重新运行了一次，但是用的是更新后的W和b，因为这2个地方的值在上面已经训练过了，其实tutorial的地方写的是accuracy.eval(feed_dict={x:…})的方式来打印的，但是也可以用sess的方式来运行的。如果从头开始看这个tutorial的话，直接看eval就不太理解，这个地方隐式的用了session对象，但是这种使用session对象的方式必须是InteractiveSession的方式来生命session才可以。
总的来说，TF算是简单。
转载地址：http://doini.baihongyu.com/