开坑之前
今年3、4月份的时候就买了这本书，同时还买了另外一本更为浅显的书，当时读不懂这本，所以一度以为这本书很一般，前些日子看见知乎有人推荐它，也就拿出来翻翻看，发现写的的确蛮好，只是稍微深一点，当时的自己理解不了罢了。另外一方面，感觉自己虽然对tensorflow比较熟稔，但是由于一开始的学习期对于编程实在太白，所以基础并不牢靠，今来重读之，在技术层面：希望能对tensorflow有个更为系统的理解，希望对基于深度学习的图像、文字、强化学习有更为系统的认识，希望对tensorflow基础编码之外包含GPU加速、分布式、可视化、代码调试等等辅助模块有更深的见地。而由于这本书的编写结构很好，所以也想借这本书，对深度学习发展有个系统的梳理，这也就意味着我不仅会跟着体会比较复杂的代码网络，简单的脚本我也会写，比如这篇的……
SoftMax分类器
softmax对mnist数据集合的准确率在92%左右，程序如下，
# Author : Hellcat
# Time : 2017/12/6 from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets('../../../Mnist_data/',one_hot=True)
print(mnist.train.images.shape,mnist.train.labels.shape)
print(mnist.test.images.shape,mnist.test.labels.shape)
print(mnist.validation.images.shape,mnist.validation.labels.shape) import tensorflow as tf sess = tf.InteractiveSession()
x = tf.placeholder(tf.float32, [None,784]) W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
y = tf.nn.softmax(tf.add(tf.matmul(x, W),b))
y_ = tf.placeholder(tf.float32,[None, 10]) # tf的函数继承了np风格，能够自动广播,所以这里直接对onehot码进行计算
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y),axis=1)) train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
tf.global_variables_initializer().run() # 节点使用run '''
# 下面代码也会报错
# 说明op没有tensor返回时会返回op实例作为替代
init = tf.global_variables_initializer()
init.exal()
''' for i in range(1000):
batch_xs, batch_ys = mnist.train.next_batch(100)
train_step.run({x:batch_xs, y_:batch_ys}) # equal函数会返回bool值，使用cast将之转换为float32
correct_prediction = tf.equal(tf.argmax(y,axis=1), tf.argmax(y_,axis=1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) print('准确率为:{0:.3f}'.
format(accuracy.eval({x:mnist.test.images, y_:mnist.test.labels}))) # 张量使用eval
tensorflow理解深化：
operation.run()
tensor.eval()
a = operation()操作如果op返回tensor的话a会代表tensor，否则a会代表节点本身，此时启动会话方式是有区别的。