qiqiaiairen的博客

1. 输入命令$sudo apt-get upgrade$ sudo apt-get install python-pip python-dev解释一下这条命令：apt-get是从软件仓库中获取软件的一条命令，而软件仓库是Linux各大发行版的共有特征：它是一系列存放软件的服务器或网站，包含了软件包和索引文件，用户可以很轻松的使用命令自动定位并安装其中的软件，而省去了导出搜索的麻烦。

class tf.Variable一个变量通过调用run() 方法维持图的状态。你通过构造variable 类的实例来添加一个变量到图中。Variable() 构造器需要一个初始值，可以是任意类型和shape 的Tensor。初始值定义了变量的type和shape。构造完成之后，变量的type和shape 是固定的。可以使用assign 方法来修改变量的值。如果你想修改变量的shape

class tf.train.Saver保存和恢复变量最简单的保存和恢复模型的方法是使用tf.train.Saver 对象。构造器给graph 的所有变量，或是定义在列表里的变量，添加save 和 restore ops。saver 对象提供了方法来运行这些ops，定义检查点文件的读写路径。检查点是专门格式的二进制文件，将变量name 映射到 tensor value。检查checkp

tf.scalar_summary(tags, values, collections=None, name=None)输出标量值的总和输入的tags 和 values 必须具有相同的shape。产生的总和有每一个tag-value 对的值。tags:  一个字符串 Tensor, Tags 为了求和values:  一个真正的数值 Tensor 。值用于求和collectio

TensorBoard 通过读取TensorFlow 的事件文件来运行。TensorFlow的事件文件包括了你会在TensorFlow 运行中涉及到的主要数据。下面是TensorBoard 中汇总数据（Summary data）的大体生命周期。首先，创建你想汇总数据的TensorFlow 图，然后再选择你想在哪个节点进行汇总（summary）操作。比如，假设你正在训练一个卷积神经网络，用于

在tensorflow的demo中，都有这样的代码存在。if __name__ == "__main__": tf.app.run()源码"""Generic entry point script."""from __future__ import absolute_importfrom __future__ import divisionfrom __future__ impo

tf.Graph.name_scope(name)返回一个上下文管理器，为操作创建一个层级的name一个图维持一个name scope的栈。name_scope(...):声明将一个新的name放入context生命周期的一个栈中。name参数如下：一个字符串（不以'/' 结尾）将穿件一个新scope name，在这个scope中，上下文中所创建的操作前都加上name这个前

tf.random_uniform( shape, minval=0, maxval=None, dtype=tf.float32, seed=None, name=None )均匀分布#!/usr/bin/env python# coding=utf-8import numpy as npimport tensorflow as tfvar = tf.Variable(tf.r

tf.nn.relu(features, name=None)就算修正的线性：max(features, 0)#!/user/bin/env python# coding=utf-8import tensorflow as tfw=tf.Variable([[1.0,2.0,-0.5],[-0.9,0.1,1.2]])w_nn=tf.nn.relu(w)init=tf.ini

tf.nn.sparse_softmax_cross_entropy_with_logits(logits, labels, name=None)计算logits 和 labels 之间的稀疏softmax 交叉熵度量在离散分类任务中的错误率，这些类之间是相互排斥的（每个输入只能对应唯一确定的一个类）。举例来说，每个CIFAR-10 图片只能被标记为唯一的一个标签：一张图片可能是一只狗或一

tf.nn.in_top_k(predictions, targets, k, name=None)判断target 是否在top k 的预测之中。输出batch_size 大小的bool 数组，如果对目标类的预测在所有预测的top k 中，条目 out[i]=True。注意 InTopK 和 TopK 的操作是不同的。如果多个类有相同的预测值并且跨过了top-k 的边界，所有这些类都被认

使用一小部分的随机数据来进行训练被称为随机训练（stochastic training），在这里更确切的说是随机梯度下降训练。在理想情况下，我们希望用我们所有的数据来进行每一步的训练，因为这能给我们更好的训练结果，但显然这需要很大的计算开销。所以，每一次训练我们可以使用不同的数据子集，这样做既可以减少计算开销，又可以最大化地学习到数据集的总体特性。

# -×-coding:utf-8-*-import tensorflow as tf#创建一个常量op，产生一个1×2矩阵。这个op被作为一个节点加到默认图中。#构造器的返回值代表该常量op的返回值matrix1=tf.constant([[3. ,3.]])#创建另外一个常量op，产生一个2×1的矩阵matrix2=tf.constant([[2.], [2.]])#创建一个

tf.Tensor.get_shape()返回一个tensor的shape。不需要启动Session，就可以返回tensor的shape信息。这可以帮助我们调试，提早发现错误信息。#!/usr/bin/env python# coding=utf-8import tensorflow as tfc=tf.constant([[1.0,2.0,3.0],[4.0,5.0,6.0]])

#!/usr/bin/env python# coding=utf-8import numpy as npnum_points=100vectors_set=[]for idx in range(num_points): x1=np.random.normal(0.0, 1) y1=1 if x1*0.3+0.1+np.random.normal(0.0,0.3)>

#!/usr/bin/env python# coding=utf-8import tensorflow as tfimport numpy as npimport matplotlib.pyplot as pltnum_points=1000vectors_set=[]for idx in range(num_points): x1=np.random.normal(

#!/usr/bin/env python# coding=utf-8import tensorflow as tfimport input_mnistmnist=input_mnist.read_data_sets("mnist-data/",one_hot=True)print mnist.train.images.shapeprint mnist.train.labels.

tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, data_format=None, name=None)根据4维的input和filter张量计算2维卷积input张量[batch, in_height, in_width, in_channels]filter/kernel 张量[filter_

#!/usr/bin/env python# coding=utf-8import numpy as npimport tensorflow as tfsess=tf.InteractiveSession()embedding=tf.Variable(np.identity(5,dtype=np.int32) )input_ids=tf.placeholder(dtype=tf.i

深度学习中，经常要使用的技术之一，连接多个通道作为下一个网络层的输入。tf.concat(concat_dim, values, name='concat')concat_dim是tensor 连接的方向（维度），values 是要连接的tensor 链表，name是操作名。concat_dim维度可以不一样，其他维度的尺寸必须一样。1. 两个二维tensor连接concat_di

class BasicLSTMCell(RNNCell):基本的LSTM循环网络单元实现基于http://arxiv.org/abs/1409.2329我们添加 forget_bias （默认值为1）到遗忘门的偏置，为了减少在开始训练时遗忘的规模。它不允许单元有一个剪裁，映射层，不允许有peep-hole 连接：这是基准。对于更高级的模型，请使用 full LSTMCell