mnist

Ubuntu18.04+python3.6+pip3入门tensorflow 最近课程要求学习tensorflow，在中文社区跑了一下入门例程，在这总结一下踩的一些坑 学习过程如下： 根据官方入门手册我进行的是最简单的二进制安装cpu版本 pip install https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.5.0-cp27-none-linux_x86_64.whl 然后就是测试例程： 运行 TensorFlow 打开一个 python 终端: $ python >>> import tensorflow as tf >>> hello = tf.constant('Hello, TensorFlow!') >>> sess = tf.Session() >>> print sess.run(hello) Hello, TensorFlow! >>> a = tf.constant(10) >>> b = tf.constant(32) >>> print sess.run(a+b) 42 >>> 这些都十分顺利，一点问题都没有。 接下来就是： 面向机器学习初学者的 MNIST 初级教程 这是整个新手入门最坑的地方。。。 先来看入门手册开篇： TensorFlow Python API 依赖

教程链接： https://www.w3cschool.cn/tensorflow_python/tensorflow_python-c1ov28so.html tensorflow 常用的函数: # 导入tensorflow,使用tf代替 import tensorflow as tf # 计算x,和w的乘积,这里计算x矩阵和w矩阵的乘积 tf.matmul(x, w) # 先计算labels和logits的交叉熵(区别),在对结果进行归一化处理, softmax参考 tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y) # 然后求交叉熵的平均值 cross_entrony = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y)) # 以梯度下降法,0.5的幅度,减小交叉熵 tf.train.GradientDescentOptimizer(0.5).minimize(cross_entrony) # 初始化变量(tf,Variable()) tf.global_variables_initializer().run() # 获取一行最大值的索引 tf.argmax(y, 1) # 比较a和b对应位置是否是相同的

一、单机编程框架 单机程序是指启动和运行都在一台机器的一个进程中完成，因为没有网络开销，非常适合参数不多、计算量小的模型。 步骤，创建单机数据流图，创建并运行单机会话。 saver = tf.train.Saver() sess = tf.InteractiveSession() tf.global_variables_initializer().run() for i in range(1000): batch_xs,batch_ys = mnist.train.next_batch(100) sess.run(train_step,feed_dict={x:batch_xs,y_=batch_ys}) if i%100 = 0: saver.save(sess,'mnist.ckpt') correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(y_,1)) accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32)) sess.run(accuracy,feed_dict={x:mnist.test.images,y_:mnist.test.labels}) 如果想指定机器上的设备如cpu,gpu 可以使用 with tf.device('/cpu:0')