TensorFlow基础入门(六)--基础总结（TensorFlow框架基础）
本节课目标：搭建神经网络，总结搭建八股
一、基本概念
基于TensorFlow的NN：用张量表示数据，用计算图搭建神经网络，用会话执行计算图，优化线上的权重（参数），得到模型
张量：张量就是多维数组（列表），用阶表示张量的维度。
0阶称为标量，表示一个单独的数 举例S=123
1阶张量称作向量，表示一个一维数组 举例 V=[1,2,3]
2阶张量称作矩阵，表示一个二维数组，它可以有i行j列个元素，每个元素可以用行号和列号共同索引到:
举例 m=[[1,2,3],[4,5,6],[7,8,9]]
判断张量是几阶的，就通过张量右边的方括号数，0 个是 0 阶，n 个是 n 阶，张量可以表示 0 阶到 n 阶数组（列表）；
举例 t=[ [ [… ] ] ]为 3 阶。
数据类型：Tensorflow 的数据类型有 tf.float32、tf.int32 等。
举例
我们实现 Tensorflow 的加法：
import tensorflow as tf #引入模块
a = tf.constant([1.0, 2.0]) #定义一个张量等于[1.0,2.0]
b = tf.constant([3.0, 4.0]) #定义一个张量等于[3.0,4.0]
result = a+b #实现 a 加 b 的加法
print result #打印出结果
可以打印出这样一句话：Tensor(“add:0”, shape=(2, ), dtype=float32)，意思为 result 是一个名称为 add:0 的张量，shape=(2,)表示一维数组长度为 2，
dtype=float32 表示数据类型为浮点型。
计算图（Graph）：搭建神经网络的计算过程，是承载一个或多个计算节点的一
张图，只搭建网络，不运算。
举例
在第一讲中我们曾提到过，神经网络的基本模型是神经元，神经元的基本模型其
实就是数学中的乘、加运算。我们搭建如下的计算图：
x1、x2 表示输入，w1、w2 分别是 x1 到 y 和 x2 到 y 的权重，y=x1*w1+x2*w2。
我们实现上述计算图：
import tensorflow as tf #引入模块
x = tf.constant([[1.0, 2.0]]) #定义一个 2 阶张量等于[[1.0,2.0]]
w = tf.constant([[3.0], [4.0]]) #定义一个 2 阶张量等于[[3.0],[4.0]]
y = tf.matmul(x, w) #实现 xw 矩阵乘法
print y #打印出结果
可以打印出这样一句话：Tensor(“matmul:0”, shape(1,1), dtype=float32)，
从这里我们可以看出，print 的结果显示 y 是一个张量，只搭建承载计算过程的
计算图，并没有运算，如果我们想得到运算结果就要用到“会话 Session()”了。
会话（Session）：执行计算图中的节点运算。
我们用 with 结构实现，语法如下：
with tf.Session() as sess:
print sess.run(y)
举例对于刚刚所述计算图，我们执行 Session()会话可得到矩阵相乘结果：
import tensorflow as tf #引入模块
x = tf.constant([[1.0, 2.0]]) #定义一个 2 阶张量等于[[1.0,2.0]]
w = tf.constant([[3.0], [4.0]]) #定义一个 2 阶张量等于[[3.0],[4.0]]
y = tf.matmul(x, w) #实现 xw 矩阵乘法
print y #打印出结果
with tf.Session() as sess:
print sess.run(y) #执行会话并打印出执行后的结果
可以打印出这样的结果：
Tensor(“matmul:0”, shape(1,1), dtype=float32)
[[11.]]
我们可以看到，运行Session()会话前只打印出y是个张量的提示，运行Session()
会话后打印出了 y 的结果 1.0*3.0 + 2.0*4.0 = 11.0。
注①：我们以后会常用到 vim 编辑器，为了使用方便，我们可以更改 vim 的配置
文件，使 vim 的使用更加便捷。我们在 vim ~/.vimrc 写入：
set ts=4 表示使 Tab 键等效为 4 个空格
set nu 表示使 vim 显示行号 nu 是 number 缩写
注②：在 vim 编辑器中运行 Session()会话时，有时会出现“提示 warning”，是
因为有的电脑可以支持加速指令，但是运行代码时并没有启动这些指令。可以把
这些“提示 warning”暂时屏蔽掉。屏蔽方法为进入主目录下的 bashrc 文件，在
bashrc 文件中加入这样一句 export TF_CPP_MIN_LOG_LEVEL=2，从而把“提示
warning”等级降低。
这个命令可以控制 python 程序显示提示信息的等级，在 Tensorflow 里面一般设
置成是"0"（显示所有信息）或者"1"（不显示 info），"2"代表不显示 warning，
"3"代表不显示 error。一般不建议设置成 3。
source 命令用于重新执行修改的初始化文件，使之立即生效，而不必注销并重
新登录。
神经网络的参数：
神经网络的参数：是指神经元线上的权重 w，用变量表示，一般会先随机生成
这些参数。生成参数的方法是让w等于tf.Variable，把生成的方式写在括号里。
神经网络中常用的生成随机数/数组的函数有：
tf.random_normal() 生成正态分布随机数
tf.truncated_normal() 生成去掉过大偏离点的正态分布随机数
tf.random_uniform() 生成均匀分布随机数
tf.zeros 表示生成全 0 数组
tf.ones 表示生成全 1 数组
tf.fill 表示生成全定值数组
tf.constant 表示生成直接给定值的数组
举例
① w=tf.Variable(tf.random_normal([2,3],stddev=2, mean=0, seed=1))，表
示生成正态分布随机数，形状两行三列，标准差是 2，均值是 0，随机种子是 1。
② w=tf.Variable(tf.Truncated_normal([2,3],stddev=2, mean=0, seed=1))，
表示去掉偏离过大的正态分布，也就是如果随机出来的数据偏离平均值超过两个
标准差，这个数据将重新生成。
③ w=random_uniform(shape=7,minval=0,maxval=1,dtype=tf.int32，seed=1),
表示从一个均匀分布[minval maxval)中随机采样，注意定义域是左闭右开，即
包含 minval，不包含 maxval。
④ 除了生成随机数，还可以生成常量。tf.zeros([3,2],int32)表示生成
[[0,0],[0,0],[0,0]]；tf.ones([3,2],int32)表示生成[[1,1],[1,1],[1,1]；
tf.fill([3,2],6)表示生成[[6,6],[6,6],[6,6]]；tf.constant([3,2,1])表示
生成[3,2,1]。
注意：①随机种子如果去掉每次生成的随机数将不一致。
②如果没有特殊要求标准差、均值、随机种子是可以不写的。
神经网络的搭建:
神经网络的实现过程：
1、准备数据集，提取特征，作为输入喂给神经网络（Neural Network，NN）
2、搭建 NN 结构，从输入到输出（先搭建计算图，再用会话执行）（ NN 前向传播算法 计算输出)
3、大量特征数据喂给 NN，迭代优化 NN 参数（ NN 反向传播算法 优化参数训练模型）
4、使用训练好的模型预测和分类
由此可见，基于神经网络的机器学习主要分为两个过程，即训练过程和使用过程。
训练过程是第一步、第二步、第三步的循环迭代，使用过程是第四步，一旦参数
优化完成就可以固定这些参数，实现特定应用了。
很多实际应用中，我们会先使用现有的成熟网络结构，喂入新的数据，训练相应
模型，判断是否能对喂入的从未见过的新数据作出正确响应，再适当更改网络结
构，反复迭代，让机器自动训练参数找出最优结构和参数，以固定专用模型。
前向传播:
前向传播就是搭建模型的计算过程，让模型具有推理能力，可以针对一组输入
给出相应的输出。
反向传播:
反向传播：训练模型参数，在所有参数上用梯度下降，使 NN 模型在训练数据
上的损失函数最小。
√损失函数（loss）：计算得到的预测值 y 与已知答案 y_的差距。
损失函数的计算有很多方法，均方误差 MSE 是比较常用的方法之一
均方误差 MSE：求前向传播计算结果与已知答案之差的平方再求平均。
用 tensorflow 函数表示为：
loss_mse = tf.reduce_mean(tf.square(y_ - y))
√反向传播训练方法：以减小 loss 值为优化目标，有梯度下降、momentum 优化
器、adam 优化器等优化方法。
这三种优化方法用 tensorflow 的函数可以表示为：
train_step=tf.train.GradientDescentOptimizer(learning_rate).minimize(loss)
train_step=tf.train.MomentumOptimizer(learning_rate, momentum).minimize(loss)
train_step=tf.train.AdamOptimizer(learning_rate).minimize(loss)
三种优化方法区别如下：
①tf.train.GradientDescentOptimizer()使用随机梯度下降算法，使参数沿着
梯度的反方向，即总损失减小的方向移动，实现更新参数。
②tf.train.MomentumOptimizer()在更新参数时，利用了超参数。
③tf.train.AdamOptimizer()是利用自适应学习率的优化算法，Adam 算法和随
机梯度下降算法不同。随机梯度下降算法保持单一的学习率更新所有的参数，学
习率在训练过程中并不会改变。而 Adam 算法通过计算梯度的一阶矩估计和二
阶矩估计而为不同的参数设计独立的自适应性学习率