这么优秀的外国小哥哥...　https://github.com/machinelearningmindset/TensorFlow-Course

tensorboard使用：https://github.com/secsilm/understanding-tensorboard

tensorflow-morvan

• placeholder:session外定义，session里面传入具体变量
• 在session外定义完整的结构，包括具体的操作、loss、减小loss的优化器optimizer，还有train（optimizer），然后再session里头run（train），变量要先初始化。
• matplotlib可视化
• 加速方法：
  • SGD：把这些数据拆分成小批小批的, 然后再分批不断放入 NN 中计算，走好多曲曲折折的路
  • momentum：放到斜坡上，一下子滑好远 m = b1 * m - Learning rate * dx; W += m
  • AdaGrad: 加大阻力，让他拐弯的时候偏离路线不能太远 v += dx^2; W += -Learning rate * dx/ √v
  • RMSProp：不完全结合上面两种方法
  • Adam: 结合上面两种方法
• tensorboard:想在图里表示哪个变量就with tf.name_scope("name_val")这个东西的上边，最后在session里写tf.summary,FileWriter("logs/",sess.graph)
• 交叉熵用来衡量预测值和真实值的相似程度，如果完全相同，它们的交叉熵等于零。
• 正则化：防止过拟合，让W变大的同时cost = 预测值-真实值得平方也变大，相当于一种惩罚机制。防止过拟合还可以用dropout，每次训练在这一层随机忽略掉一些神经元和神经联结。
• saver&loader：先定义with save，之后再使用
• cnn: tf.nn.conv2d函数是tensoflow里面的二维的卷积函数，x是图片的所有参数，W是此卷积层的权重，然后定义步长strides=[1,1,1,1]值，strides[0]和strides[3]的两个1是默认值，中间两个1代表padding时在x方向运动一步，y方向运动一步，padding采用的方式是SAME。
• call():在python中，函数和类都可以变成可调用对象，讲解例子。函数的调用是def 之后在外部function（input），类的调用是先定义class类 class a（），之后在外部声明初始化这个类function = a()，最后在声明之后便都可以调用类内的__call__部分print(function(input))。由此可以看出，只看最后一行的话，类和函数的外部调用是一样的。

tensorboard

• 莫烦de, 这个可以同时参照老版的和他发布的那个2017年新版的tf,可以get到图层和变量的概念
• 定义那个graph里都有什么变量就用with tf.name_scope('name') or tf.variable_balabala, 就比方说你想要显示w和b,还有大的这个是什么层，就是画图层，大圈套小圈

with tf.name_scope('layer_name'):

    with tf.variable_name('w'):

        w = tf.takeplace_balabala

• 想得到直方图啥的，就比方说loss和accuracy，就在model.py文件里定义loss和accuracy变量那先给变量起个名，然后在下边加句add_summary啥玩意就行了

self.accuracy = tf.reduce_mean(tf.cast(self.correct_pred, tf.float32),name = 'accuracy')

tf.summary.scalar('accuracy',self.accuracy) # 这里可以summary.histgram总之想要什么图，就加什么图