TensorFlow学习（一）
- TensorFlow安装
- TensorFlow基本概念
- TensorFlow简单例子
TensorFlow安装
在centos上面体验，使用的是Anaconda的方式，里面自带了很多默认的学习工具包，不需要在下载，当然没有搞GPU（以前旧版本的python要小心，由于墙的原因，很多在线下载的都用不了，找到下面这个合适的）
wget https://repo.continuum.io/archive/Anaconda3-5.0.1-Linux-x86_64.sh
bash Anaconda3-5.0.1-Linux-x86_64.sh
安装之后，创建一个tensorflow
conda create -n tensorflow python=3.5
source activate tensorflow
这样你的tensorflow就可以使用了。进入python命令行：
[hadoop@vm11 ~]$ python
Python 3.6.3 |Anaconda, Inc.| (default, Oct 13 2017, 12:02:49)
[GCC 7.2.0] on linux
Type “help”, “copyright”, “credits” or “license” for more information.
试试执行导入 import tensorflow as tf
如果遇到错误：I tensorflow/core/platform/cpu_feature_guard.cc:137] Your CPU supports instructions that this TensorFlow binary was not compiled to use: SSE4.1 SSE4.2 AVX AVX2 FMA。可以试试下面的方法：
import os
os.environ[‘TF_CPP_MIN_LOG_LEVEL’] = ‘2’
再重新执行就不会报错了。
TensorFlow基本概念
张量值
TensorFlow 中的核心数据单位是张量。一个张量由一组形成阵列（任意维数）的原始值组成。张量的阶是它的维数，而它的形状是一个整数元组，指定了阵列每个维度的长度。以下是张量值的一些示例：
- # a rank 0 tensor; a scalar with shape [],
[1., 2., 3.] # a rank 1 tensor; a vector with shape [3]
[[1., 2., 3.], [4., 5., 6.]] # a rank 2 tensor; a matrix with shape [2, 3]
[[[1., 2., 3.]], [[7., 8., 9.]]] # a rank 3 tensor with shape [2, 1, 3]
TensorFlow 使用 numpy 阵列来表示张量值。
图
计算图是排列成一个图的一系列 TensorFlow 指令。图由两种类型的对象组成。
指令（或“op”）：图的节点。 指令说明的是消耗和生成张量的计算。
张量：图的边。它们代表将流经图的值。大多数 TensorFlow 函数会返回 tf.Tensors。
a = tf.constant(3.0, dtype=tf.float32)
b = tf.constant(4.0) # also tf.float32 implicitly
total = a + b
print(a)
print(b)
print(total)
会话 (Session)
要评估张量，您需要实例化一个 tf.Session 对象（通常被称为会话）。会话会封装 TensorFlow 运行时的状态，并运行 TensorFlow 指令。如果说 tf.Graph 像一个 .py 文件，那么 tf.Session 就像一个可执行的 python。
下面的代码会创建一个 tf.Session 对象，然后调用其 run 方法来评估我们在上文中创建的 total 张量：
sess = tf.Session()
print(sess.run(total))
更多详细的概念请从文档出学习：
https://tensorflow.google.cn/programmers_guide/low_level_intro
TensorFlow简单例子
训练
我们来手动训练一个小型回归模型吧。
定义数据
我们首先来定义一些输入值 x，以及每个输入值的预期输出值 y_true：
x = tf.constant([[1], [2], [3], [4]], dtype=tf.float32)
y_true = tf.constant([[0], [-1], [-2], [-3]], dtype=tf.float32)
定义模型
接下来，建立一个简单的线性模型，其输出值只有 1 个：
linear_model = tf.layers.Dense(units=1)
y_pred = linear_model(x)
可以如下评估预测值：
sess = tf.Session()
init = tf.global_variables_initializer()
sess.run(init)
print(sess.run(y_pred))
该模型尚未接受训练，因此四个“预测”值并不理想。以下是我们得到的结果，预期的输出值应该是不一样的：
[[ 0.02631879]
[ 0.05263758]
[ 0.07895637]
[ 0.10527515]]
损失
要优化模型，首先需要定义损失。我们将使用均方误差，这是回归问题的标准损失。
虽然可以使用较低级别的数学运算指令来手动执行此操作，但 tf.losses 模块提供了一系列常用的损失函数。可以使用它来计算均方误差，具体操作如下所示：
loss = tf.losses.mean_squared_error(labels=y_true, predictions=y_pred)
print(sess.run(loss))
这会生成如下所示的一个损失值：
2.23962
训练
TensorFlow 提供了优化器来执行标准的优化算法。这些优化器被用作 tf.train.Optimizer 的子类别。它们会逐渐改变每个变量，以便将损失最小化。最简单的优化算法是梯度下降法，可通过 tf.train.GradientDescentOptimizer 执行。它会根据损失相对于变量的导数大小来修改各个变量。例如：
optimizer = tf.train.GradientDescentOptimizer(0.01)
train = optimizer.minimize(loss)
该代码构建了优化所需的所有图组件，并返回一个训练指令。该训练指令在运行时会更新图中的变量。可以按以下方式运行该指令：
for i in range(100):
_, loss_value = sess.run((train, loss))
print(loss_value)
由于 train 是一个指令而不是张量，因此它在运行时不会返回一个值。为了查看训练期间损失的进展，我们会同时运行损失张量，生成如下所示的输出值：
1.35659
1.00412
0.759167
0.588829
……….
完整程序
x = tf.constant([[1], [2], [3], [4]], dtype=tf.float32)
y_true = tf.constant([[0], [-1], [-2], [-3]], dtype=tf.float32)
linear_model = tf.layers.Dense(units=1)
y_pred = linear_model(x)
loss = tf.losses.mean_squared_error(labels=y_true, predictions=y_pred)
optimizer = tf.train.GradientDescentOptimizer(0.01)
train = optimizer.minimize(loss)
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)
for i in range(100):
_, loss_value = sess.run((train, loss))
print(loss_value)
print(sess.run(y_pred))
我执行的结果类似这样：
print(sess.run(y_pred))21.999
15.3802
10.7868
7.59887
5.38615
3.85012
2.78362
2.04293
1.52832
1.17058
每次迭代误差结果可以用图来看看
