我选择tensorFlow作为我学习的第一个神经网络框架，恰巧最近Tensorflow支持了windows,所以让我的学习变得更加便捷。
我的主要参考文章有
http://blog.csdn.net/u014595019/article/details/52677412
https://mp.weixin.qq.com/s/6H2FkNQSZ-qp3u5_FN5UoA
http://wiki.jikexueyuan.com/project/tensorflow-zh/
一、TensorFlow的运行流程
TensorFlow运行流程分为两步，分别是构造模型和训练。
在构造阶段，我们需要去构建一个图（Graph）来描述我们的模型，然后在session中启动它。所谓图，可以理解为流程图，就是将数据的输入输出的过程表示出来
但是此时是不会发生实际运算的，因为TensorFlow是【延迟执行（deferred execution）】模型，它必须知道你要计算什么，你的执行图，然后才开始发送计算任务到各种计算机。所以你首先使用TensorFlow函数在内存中创造一个计算图，然后启动一个执行session并且使用session.run执行实际训练任务，如梯度计算等操作，在此时，图无法被改变。
1.1基本概念
1.1.1 Tensor
Tensor的意思就是张量，我的理解就是一个维数不定的矩阵，也可以理解为tensorflow中矩阵的表示形式，tensor的生成方式有很多种，之后再详细总结，举个例子
import tensorflow as tf a=tf.zeros(shape=[1,2])
注意：在session.run之前，所有数据都是抽象的概念，也就是说，a此时只是表示这应该是一个1*2的零矩阵，但却没有实际赋值，所以如果此时print(a),就会出现如下情况：
print(a) #==>Tensor("zeros:0", shape=(1, 2), dtype=float32)只有启动session后，才能得到a的值
sess=tf.Session() print(sess.run(a)) [[ 0. 0.]] 1.1.2. Variable 当训练模型的时候，要用变量来存储和更新参数，变量包含张量（Tensor）存放于内存的缓存区，建模时它们需要被明确地初始化，模型训练后它们b必须被存储到磁盘。这些变量的值可在之后模型训练和分析时被加载。 如我要计算 y=ReLU(Wx+b) 那么W，b就是我要用来训练的参数，那么这两个值就可以用Variable来表示，Variable初始函数有很多选项，这里先不提，只输入一 个tensor也是可以的
W=tf.Variable(tf.zeros((1,2))) 如果
v=tf.Variable(tf.zeros((1,2))) sess=tf.Session() #print(sess.run(v)) #会报错，因为没对变量初始化 sess.run(tf.initialize_all_variables()) #对所有变量初始化 print(sess.run(v)) 就会输出[[0. 0.]]
有时，还可以用另一个变量的初始化值给当前变量初始化。由于 tf.initialize_all_variables() 是并行地初始化所有变量，所以在有这种需求的情况下需要小心。
# Create a variable with a random value. weights = tf.Variable(tf.random_normal([784, 200], stddev=0.35), name="weights") # Create another variable with the same value as 'weights'. w2 = tf.Variable(weights.initialized_value(), name="w2") # Create another variable with twice the value of 'weights' w_twice = tf.Variable(weights.initialized_value() * 0.2, name="w_twice") 1.1.3.placeholder 占位符 同样也是一个抽象的概念，用于表示输入输出数据的格式,告诉系统：这里有一个值/向量/矩阵，现在我没发给你具体数值，不过我正式运行的时候会补上，一般都是要从外部输入的值，例如例子中的x和y,因为没有具体数值，只要指定尺寸就可以
x=tf.placeholder(tf.float32,[1,5],name='input') y=tf.placeholder(tf.float32,[None,5],name='input') y表示一个输入为【？，5】的矩阵，None就代表输入的批数，当需要输入一批为5个时，那么就是【5,5】的矩阵，tensorflow会自动进行批处理。
注意：设计placeholder节点的唯一意图就是为了提供数据供给（feeding）的方法。placeholder节点被声明的时候是未初始化的，也不包含数据，如果有为它供给数据，则Tensorflow运算的时候会产生错误 1.1.4.Session 会话 Session就是抽象模型的实现者，具体的参数训练，预测，甚至是变量的实际值查询，都要用到session 1.2模型构建 这里先说官方最基础的MNIST数据集单层网络例子
（1）读入数据
from tensorflow.examples.tutorials.mnist import input_data import cv2 import numpy as np #mnist = input_data.read_data_sets("mnist_data/", one_hot=True) mnist = input_data.read_data_sets("C:\\Users\\1\\AppData\\Local\\Programs\\Python\Python35\\Lib\\site-packages\\tensorflow\\examples\\tutorials\\mnist", one_hot=True) import tensorflow as tf 此处我是直接从官网 下的mnist数据集，因为官网指导上那个代码我用不了
(2) 建立抽象模型
x = tf.placeholder(tf.float32, [None, 784]) #W = tf.Variable(tf.random_normal([784, 10], stddev=0.1)) W = tf.Variable(tf.zeros([784, 10])) b = tf.Variable(tf.zeros([10])) y = tf.nn.softmax(tf.matmul(x, W) + b) y_ = tf.placeholder("float", [None, 10]) cross_entropy = -tf.reduce_sum(y_ * tf.log(y)) train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy) init = tf.global_variables_initializer() 对输入x，label y_创建一个占位符，以及声明W,b变量,通过softmax得到预测结果y 定义损失函数cross_entropy，训练方法（梯度下降）train_step
（3）实际训练
sess = tf.InteractiveSession() sess.run(init) for i in range(10000): batch_xs, batch_ys = mnist.train.next_batch(100) sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys}) if i % 500== 0: correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1)) accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float")) print(accuracy.eval(feed_dict={x: mnist.test.images, y_: mnist.test.labels}, session=sess))
在模型搭建完成以后，我们只要为模型提供输入和输出，模型就能够自己进行训练和测试，中间的求导，求梯度，反向传播等等，TensorFlow都会帮你自动完成。结果最终为0.92
二、5层全连接神经网络
1.首先定义每层的神经元个数 K=400 L=100 M=60 N=30 2.搭建模型
W1=tf.Variable(tf.truncated_normal([28*28,K],stddev=0.1)) B1=tf.Variable(tf.zeros([K])) W2=tf.Variable(tf.truncated_normal([K,L],stddev=0.1)) B2=tf.Variable(tf.zeros([L])) W3=tf.Variable(tf.truncated_normal([L,M],stddev=0.1)) B3=tf.Variable(tf.zeros([M])) W4=tf.Variable(tf.truncated_normal([M,N],stddev=0.1)) B4=tf.Variable(tf.zeros([N])) W5=tf.Variable(tf.truncated_normal([N,10],stddev=0.1)) B5=tf.Variable(tf.zeros([10])) X=tf.placeholder(tf.float32,[None,28,28,1]) y_=tf.placeholder(tf.float32,[None,10]) #hot-vector的形式 X=tf.reshape(X,[-1,28*28]) Y1=tf.nn.relu(tf.matmul(X,W1)+B1) Y2=tf.nn.relu(tf.matmul(Y1,W2)+B2) Y3=tf.nn.relu(tf.matmul(Y2,W3)+B3) Y4=tf.nn.relu(tf.matmul(Y3,W4)+B4) pred=tf.nn.softmax(tf.matmul(Y4,W5)+B5) loss=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=pred,labels=y_)) train_step=tf.train.GradientDescentOptimizer(0.03).minimize(loss) corr=tf.equal(tf.argmax(pred,1),tf.argmax(y_,1)) #找到每行最大的作为输出结果 accu=tf.reduce_mean(tf.cast(corr,tf.float32)) init=tf.global_variables_initializer()
3.训练
sess=tf.InteractiveSession() sess.run(init) for i in range(10000): 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: print("测试集正确率：%f"