Tenflow基础教程15天。。。Recipe 1。。。Tensorflow概览

写在前面

Google的Tensorflow用一种独特的方式解决问题。这种独特的方式可以让我们非常便捷得解决机器学习问题。机器学习已经应用在几乎所有的工作和生活当中，但更耳熟能详的领域是计算机视觉，对话识别，语言翻译。这篇教程将从最基本步骤开始，理解Tensorflow的操作，然后自然上到生产所需的编程技术。教程将以一个recipe一个recipe的方式呈现。要理解高级的recipe，基础是非常重要。

Tensorflow是如何工作的

首先，Tensorflow的计算看起来没那么复杂。一个很重要的原因在于Tesorflow处理计算的方式，由此建立复杂的计算是相当简洁的。这个Recipe将指导我们完成TensorFlow算法的大概流程。

准备工作

目前，Tensorflow支持Lunix、Mac、Window。这片教程将在Windows上运行代码，通过在你的Windows上安装Anaconda，可以很轻松的安装Tesorflow，以及依赖的库。Tensorflow现在最新版本是1.12，2.0版本已经开始内测，本教程使用的1.10版本。
Tensorflow可以在CPU上运行，当然大多数算法在GPU上运行更快，比较流行的是，Nvidia Tesla架构和Pascal架构的显卡，与至少4G的显存。在GPU跑Tensorlow，你需要下载并安装 Nvidia Cuda Toolkit 5.0以上版本（https://developer.nvidia.com/cuda-downloads）

如何操作

下面的Tensorflow算法的概览，大多Recipe将遵循这样的方式。

1. 插入或者生成数据集
   所有的机器学习算法都建立数据的基础上。在这篇教程中我们将生成数据，或者使用外源的数据集。
2. 转换和归一化数据
   大多数情况下，输入的数据格式不符合Tensorflow的要求，所有我们要将数据转换成Tensorflow期望的格式。如果数据没有我们需要的维度和类型，我们必须变换数据，在输入至算法之前。在Tensorflow我们也需要相同的操作，Tensorflow有一个内置的函数用来归一化数据，如下：
   data = tf.nn.batch_norm_with_global_normalization(…)
3. 将数据分成训练集、测试集和验证集
   通常我们要在不同于训练用的数据集，测试是算法。另外，很多算法是需要优化超参数，所以我们要设置验证集，用于获得最优的超参数。
4. 设置算法参数
   我们的算法通常有一套在整个运算过程中保持不变的参数，例如迭代次数、学习率或者我们设置为固定的参数。一起初始化这些参数，是一种比较好的形式，因为读者或者用户可以很容易得找到他们。例如：
   learning_rate = 0.01
   batch_size = 100
   iterations = 1000
5. 初始化Variable和placehoders
   使用Tesroflow取决于知道它能操做或不能操作什么。在优化或者最小化损失函数的过程，Tesorflow可以优化variable。要完成这个操作，我们必须将数据传入placehoder中。我们需要初始化Variable和placeholder的大小和类型，以使Tensorflow知道所期望结果的格式。在本教程中会多次提到，要让Tensoerflow知道数据类型，通常我们使用float32，Tensorflow还提供float64和float32. 注意我们使用越多的位数，算法的计算速度会越慢。例如：
   a_var = tf.constant(42)
   w = tf.Variable(tf.random_normal([None, 1]))
   x_input = tf.placeholder(tf.float32, [None, input_size])
   y_input = tf.placeholder(tf.float32, [None, num_classes])
6. 定义模型结构
   在导入数据和初始化Variable、placeholder之后，下面要定义模型。这个是通过建立计算图来完成的。我们要把数据通过Variable和placeholder传入计算图（会在后面详细说明）
   下面是一个线性模型例子：
   y_pred = tf.add(tf.mul(x_input, weight_matrix), b_matrix)
7. 声明损失函数
   在定义模型后，我们必须评估输出。在这一步，就需要定义损失函数。损失函数是非常重要的，用于评估预测值与实际值之间的差异。在后续会详细探讨损失函数。在Tesorflow中是这样定义损失函数的。
   loss = tf.reduce_mean(tf.square(y_actual – y_pred))
8. 初始化和训练模型
   现在我们掌握了一切，下面需要创建计算图实例，将数据导入placeholder，让Tensorflow更新参数，以更好预测训练集。下面是初始化计算图的一种方式：
   with tf.Session(graph=graph) as session:
   …
   session.run(…)
   …
   也可以通过下面这种方式初始化：
   session = tf.Session(graph=graph)
   session.run(…)
9. 评估模型
   一旦建立并训练模型，我们就应该在新数据集评估模型，并观察是否过拟合。
10. 调试超参数
    多数情况下，基本模型表现，我们会回过头调试超参数。使用不同的超参数重复前面的步骤，并在验证集上评估模型。
11. 部署/预测新的结果
    在新的，没有见过的数据上验证算法同样重要。我们对所有训练过的算法做相同操作。

如何起作用

我们必须先设置数据，Variable，placeholder和模型，在让程序训练和更改变量以改进预测之前。Tensorflow通过计算图来完成这些步骤。这些计算图是一个没有递归的有向图，允许计算并行。
我们创建损失函数，来获得最优化。Tesorflow通过改变计算图中的变量来完成这个步骤。Tensorflow知道如何优化变量，因为它跟踪模型中的计算过程并自动计算梯度。

同样参考

1. 一个很好的起点是查看Tensorflow的官方文档Python API部分。
   https://www.tensorflow.org/api_docs/python/
2. 还有一些教程在
   https://www.tensorflow.org/tutorials/