Tensorflow入门初体验

昨天开始接触机器学习，首先是疯狂的从网上下载教学视频，发现这类的入门视频特别的多，看完两集之后，就忍不住要去买书了。

---

真的很久没有体验过接受新知识的快感，昨晚一直学习到深夜，下好新的的python3.x,安装好tensorflow之后稍稍体验了一把，感觉还可以.不过自己的tensor的基本概念都忘光了，依旧没有阻止我学习机器学习的劲头。

---

主要目标是完全掌握机器学习的基本概念和基本使用，希望以后能从事这方面的工作，往图像处理方面转，还有想涉及计算机视觉方面的内容，顺便学习各种类型的编程语言。

---

初体验的感受就是tensoflow好像是python的一个大包，pip install tensorflow之后即可按照tensorflow官网上的例子开始数据操作。也重新体验了机器学习的基本概念。对于机器学习数据格式的要求，首先需要初始化，之后用训练集进行模型训练，调试好参数，即用测试集查看训练结果，再次调整参数，最后用验证集来查看机器学习模型的好坏。

---

关于Tensoflow的官方使用指南中文翻译如下（使用谷歌翻译基本没任何问题，直接看英文也不是很难）：

**本指南让您开始在TensorFlow编程。在使用本指南之前，安装TensorFlow。为了充分利用这个指南，你应该知道以下几点:
1、如何用Python编程。
2、至少有一点关于数组。
3、最理想的是机器学习。然而，如果您对机器学习知之甚少或一无所知，那么这仍然是您应该阅读的第一个指南。
TensorFlow提供多个api。最低级别的API——TensorFlow Core——为您提供完全的编程控制。我们建议为机器学习研究人员和其他需要良好控制模型的人提供TensorFlow Core。更高级别的api构建在TensorFlow核心之上。这些高级api通常比TensorFlow核心更容易学习和使用。此外，更高级别的api使重复的任务在不同的用户之间更加容易和一致。像tf . estimator这样的高级API可以帮助您管理数据集、估计器、训练和推理。
本指南从一个关于TensorFlow核心的教程开始。稍后，我们将演示如何在tf . estimator中实现相同的模型。当你使用更紧凑的更高级别的API时，了解TensorFlow核心原则将会给你一个很好的心理模型。心理模型。**
翻译太费时间了，建议大家直接看英文。

文档首先介绍了Tensor张量的基本概念，本科的时候学过矢量与张量，那是学的最差的一门课，没想到时隔几年，又要重新开始捡起来。

之后就是介绍了一点基本代码：

import tensorflow as tf
node1 = tf.constant(3.0, dtype=tf.float32)
node2 = tf.constant(4.0) # also tf.float32 implicitly
print(node1, node2)

sess = tf.Session()
print(sess.run([node1, node2]))  #可以观察 sess的作用

from __future__ import print_function
node3 = tf.add(node1, node2)
print("node3:", node3)
print("sess.run(node3):", sess.run(node3))

#占位符
a = tf.placeholder(tf.float32)
b = tf.placeholder(tf.float32)
adder_node = a + b  # + provides a shortcut for tf.add(a, b）

print(sess.run(adder_node, {a: 3, b: 4.5}))
print(sess.run(adder_node, {a: [1, 3], b: [2, 4]}))

add_and_triple = adder_node * 3.
print(sess.run(add_and_triple, {a: 3, b: 4.5}))

等，通过基本的操作，貌似对tesnoflow开始有点感觉了，今晚继续加油，争取把官方指南都基本过一遍。