[重要]
课程主页
https://classroom.udacity.com/courses/ud730/lessons/224c71d3-9dc3-4cb5-abca-f8d12fce5cfa/concepts/b69b7b74-d76e-4749-a7fc-35be6551480f
课程作业代码在github_tensorflow可以找到，https://github.com/tensorflow/tensorflow/tree/master/tensorflow/examples/udacity
课程最后一节作一个多数字串识别的项目，其中提到 non-mnist的数据库，人工合成，提供下载
http://yaroslavvb.blogspot.com/2011/09/notmnist-dataset.html
其他：
google的机器学习课程笔记
https://github.com/ahangchen/GoogleML/blob/master/note/lesson-7-tflearn-mnist.md
https://github.com/ahangchen/GDLnotes
1.比较基本的入门级资料，从例子讲起，好理解
learningtensorflow.com/index.html Lesson 2，有两个问题： model = tf.initialize_all_variables() // initialize_all_variables 的作用是什么，构图之前必须有这步操作吗 y = tf.Variable(x + 5, name='y'） // 只要是变量，是否必须这么声明一下？ 如何在tensorBorad中显示图？下面的代码要运行看看才是 import tensorflow as tf x = tf.constant(35, name='x') print(x) y = tf.Variable(x + 5, name='y') with tf.Session() as session: merged = tf.merge_all_summaries() // ??? writer = tf.train.SummaryWriter("/tmp/basic", session.graph_def) // ??? model = tf.initialize_all_variables() session.run(model) print(session.run(y)) Lesson 3 x = tf.reverse_sequence(x, np.ones((height,)) * width, 1, batch_dim=0) // 这个函数的意义，没有搞清楚？TensorFlow 常见函数说明
slice = tf.slice(image, [1000, 0, 0], [3000, -1, -1]) // 见http://learningtensorflow.com/lesson4/
y = x * 2 // 什么情况下 y已经可以直接作为tensorflow的变量使用了？见http://learningtensorflow.com/lesson4/ [tip]python查看某个变量的类型，可以用 type（x） 或者 help（x）
Lesson 7
$ export PATH="$PATH:$HOME/bin" import tensorflow as tf import numpy as np # x and y are placeholders for our training data x = tf.placeholder("float") y = tf.placeholder("float") # w is the variable storing our values. It is initialised with starting "guesses" # w[0] is the "a" in our equation, w[1] is the "b" w = tf.Variable([1.0, 2.0], name="w") # Our model of y = a*x + b y_model = tf.mul(x, w[0]) + w[1] # Our error is defined as the square of the differences error = tf.square(y - y_model) # The Gradient Descent Optimizer does the heavy lifting train_op = tf.train.GradientDescentOptimizer(0.01).minimize(error) # Normal TensorFlow - initialize values, create a session and run the model model = tf.initialize_all_variables() with tf.Session() as session: session.run(model) for i in range(1000): x_value = np.random.rand() y_value = x_value * 2 + 6 session.run(train_op, feed_dict={x: x_value, y: y_value}) // train_op 与 x y之间并没有在之前的构图环节体现出来，run的时候又是怎么体现呐？ w_value = session.run(w) print("Predicted model: {a:.3f}x + {b:.3f}".format(a=w_value[0], b=w_value[1]))
【重要】画误差函数曲线
import matplotlib.pyplot as plt plt.plot([np.mean(errors[i-50:i]) for i in range(len(errors))]) plt.show() plt.savefig("errors.png")
Lesson 10
如何将某些操作设定为由GPU执行？可参考 http://learningtensorflow.com/lesson10/
【常见函数】
tensorflow 的入口函数，tf.app.run() // run() -> main, 定义主main() 函数时main函数需要一个传入参数，main(argv=None)
tf.truncated_normal() // 截断正太分布，可用这个函数生成随机数，初始化权值，可参看tensorflow自带例子中的 convolutional.py
tf.nn.conv2d（）理解
调用顺序 --> op_def_library.py --> nn_ops.py --> gen_nn_ops.py -- > _op_def_library.py
gen_nn_ops.py 这个文件是自动编译生成的。这个不解？？？
生成器的源码位于 tensorflow/tensorflow/python/framework/python_op_gen.h 和 python_op_gen.cc 参考http://blog.csdn.net/kkk584520/article/details/51612370 中提到的
Tensorflow 数据类型变换
从tensorflow格式转成 numpy格式
v1 = tf.constant([1, 2, 3, 4, 5, 6, 7])
with tf.Session() as sess:
v2 = sess.run(v1)
result：array([1, 2, 3, 4, 5, 6, 7], dtype=int32)
Convert from [depth,height,width] to [height,width,depth]
tf.transpose(deth_major,[1,2,0])
