一、环境准备
1、安装python：下载地址https://www.python.org/downloads/windows/下载并安装（推荐python3）
2、安装对应python版本的库：https://www.lfd.uci.edu/~gohlke/pythonlibs/
（1）Numpy库:
（2）Tensorflow库：
- 测试安装：
3、安装jdk：
下载地址——https://www.oracle.com/technetwork/java/javase/downloads/jdk8-downloads-2133151.html
4、开发环境方法一使用elipse开发（推荐java版本，neon），直接解压到安装目录即可：
①下载地址——https://www.eclipse.org/downloads/packages/
②安装pydev插件——>运行Eclipse之后，选择help-->Install new Software——>点击Add，添加pydev：http://pydev.org/updates/
5、开发环境方法二安装eclipse+pydev插件——>将带pydev插件的eclipse（eclipse-4.6.1-with-pydev.zip）解压即可。
二、Tensorflow = Tensor（张量） + Flow（计算图）
1、优势
- 平台支持性良好，Windows, Linux, macOS等，IOS和Android；
- 提供简单且灵活的Python API接口，内部使用C++进行优化；
- 丰富的算子，可以很容易搭建各种深度学习模型，如CNN和RNN模型；
- 提供可视化工具TensorBoard，这个是TF独有的优势；
- 支持CPU和GPU，支持分布式多机多卡训练；
2、张量(任意维度)：
（1）张量=shape+数据类型+名字
（2）数据类型：
( 3 )几种常见创建张量的方法：
a = tf.constant([1, 1, 1]) # 定义一个costant张量
b = tf.zeros([2, 3], tf.int32) # [[0, 0, 0], [0, 0, 0]]
c = tf.ones([2, 3], tf.int32) # [[1, 1, 1], [1, 1, 1]]
d = tf.random_normal([5, 5], mean=0.0, stddev=1.0) # 均值为0，标准差为1的高斯分布
e = tf.random_uniform([5, 5], minval=0, maxval=1) # [0, 1]内的均匀分布
f = tf.placeholder(tf.int32, [3,]) # 定义一个占位张量
（4）变量(有状态的张量，就是存储的实际值是可以被改变的)
主要使用两个类：tf.Variable类和tf.train.Saver类。变量必须要先被初始化(initialize)，而且可以在训练时和训练后保存(save)到磁盘中。之后可以再恢复(restore)保存的变量值来训练和测试模型。
①变量的声明：
a = tf.Variable([[2, 3], [1, 2]]) # 初始值为[[2, 3], [1, 2]]
b = tf.Variable((tf.zeros([10, 10]))) # 初始值为全0，shape为[10,10]的张量
②初始化：
init = tf.global_variables_initializer() # 初始化所有变量的算子
with tf.Session() as sess:
sess.run(init) # 执行初始化，此时变量被填值
③赋值：
assign_op = a.assign(b) # a的值用b替换
sess.run(assign_op)
3、计算图 由一系列节点（nodes）组成的图模型，每个节点对应的是TF的一个算子（operation），每个算子会有输入与输出，并且输入和输出都是张量。
a = tf.constant(5) b = tf.constant(3) c = tf.multiply(a, b) d = tf.add(a, b)
e = tf.add(c, d)
4、定义一个模型：准备数据——>输入——>定义网络——>输出——>定义损失函数——>定义优化器——>定义精度——>启动TF训练——>模型保存和日志：
（1）保存：
sess = tf.Session()
saver = tf.train.Saver()
saver.save(sess, 'my-model', global_step=step,write_meta_graph=False)
（2）加载：
sess = tf.Session()
saver.restore(sess, ‘my-model')
（3）日志：
生成计算图：writer = tf.summary.FileWriter('./log', sess.graph)
生成张量图：
tf.summary.scalar('loss', loss)
merge_op = tf.summary.merge_all()
merge_sum = sess.run([merge_op ], {tf_x: x, tf_y: y})
writer.add_summary(merge_sum, step)
4、模型组成http://playground.tensorflow.org/
模型 输入：数据——>隐藏层：1-n——>输出：y——>损失函数
训练参数 Epoch——>Learning rate——>Activation——>Batch size
5、几个概念：
①常用优化器(demo_gradient.py)
GradientDescentOptimizer
MomentumOptimizer
RMSPropOptimizer
AdamOptimizer（一般用这个）
②Dropout
③批量规范化
- 正则化（L1，L2），L2也叫Weight_decay
⑤数据增强
- 卷积神经网络
卷积：卷积核大小——>步长——>滤波器（卷积核）个数——>padding
池化：最大、最小、平均
pool_size——>步长——>padding
全连接
参照学习：https://morvanzhou.github.io/tutorials/machine-learning/tensorflow/