TensorFlow入门

1可扩展参数： 从 kwargs 字典里获取，可限制key的取值

vars : name scope 下的变量（字典）

placeholders : 外部变量占位，一般是特征和标签（字典）

layers ： 神经网络的 layer （列表）

activations ： 每个 layer 的输出结果（列表）

inputs ： 输入

output ： 输出

loss ： 损失

accuracy ： 准确率

optimizer ：优化器

opt_op ：最优化的 op *** 作

_build 是私有 build 方法，在继承Model的具体实现时对 layers 进行 append *** 作，下面介绍 build 方法：

调用 _build ，所有变量设置共享空间（ selfname ）

构建模型序列：给输入，通过layer()返回输出，又将这个输出再次作为输入到下一个 layer() 中，循环这一过程；最终，取最后一层 layer 的结果作为 output

保存 name scope下 的变量到 selfvars

模型效果度量： _loss 方法， _accuracy 方法

常用的结构化数据文件格式有csv、txt 、libsvm，本篇文章主要说明结构化数据（csv/txt）如何在TF框架进行高效、灵活的读取，避免一些不合理的方式，迈出算法开发标准化、工程化的第一步。

最常见的读取数据的方式是利用pandas包将csv、txt读取为DataFrame，一次全部放入内存。这是一种非常低效的方式，应该尽量避免这种读取方法。其他第三方封装python读取方式的包（TFLearn等）也不建议使用，推荐使用TF框架的OP *** 作进行数据读取。

高效的 TensorFlow 读取方式是将数据读取转换成 OP，通过 session run 的方式拉去数据。读取线程源源不断地将文件系统中的文件读入到一个内存的队列中，而负责计算的是另一个线程，计算需要数据时，直接从内存队列中取就可以了，这样就可以解决GPU因为IO而空闲的问题。同时，不会一次性的preload到内存，再大的数据量也不会超出内存的限制。

梯度下降 ：梯度下降是一个在机器学习中用于寻找较佳结果（曲线的最小值）的迭代优化算法。梯度的含义是斜率或者斜坡的倾斜度。下降的含义是代价函数的下降。

 算法是迭代的，意思是需要多次使用算法获取结果，以得到最优化结果。梯度下降的迭代性质能使欠拟合演变成获得对数据的较佳拟合。

 梯度下降中有一个称为学习率的参量。如上图左所示，刚开始学习率较大，因此下降步长更大。随着点的下降，学习率变得越来越小，从而下降步长也变小。同时，代价函数也在减小，或者说代价在减小，有时候也称为损失函数或者损失，两者是一样的。（损失/代价的减小是一个概念）。

 只有在数据很庞大的时候（在机器学习中，数据一般情况下都会很大），我们才需要使用epochs，batch size，iteration这些术语，在这种情况下，一次性将数据输入计算机是不可能的。因此，为了解决这个问题，我们需要把数据分成小块，一块一块的传递给计算机，在每一步的末端更新神经网络的权重，拟合给定的数据。

（1）batchsize：批大小。在深度学习中，一般采用SGD训练，即每次训练在训练集中取batchsize个样本训练；

（2）iteration：1个iteration等于使用batchsize个样本训练一次；

（3）epoch：1个epoch等于使用训练集中的全部样本训练一次；

Pandas是Python下一个开源数据分析的库，它提供的数据结构DataFrame极大的简化了数据分析过程中一些繁琐 *** 作。

1 基本使用：创建DataFrame DataFrame是一张二维的表，大家可以把它想象成一张Excel表单或者Sql表。Excel 2007及其以后的版本的最大行数是1048576，最大列数是16384，超过这个规模的数据Excel就会d出个框框“此文本包含多行文本，无法放置在一个工作表中”。Pandas处理上千万的数据是易如反掌的sh事情，同时随后我们也将看到它比SQL有更强的表达能力，可以做很多复杂的 *** 作，要写的code也更少。

说了一大堆它的好处，要实际感触还得动手码代码。首要的任务就是创建一个DataFrame，它有几种创建方式：

（1）列表，序列(pandasSeries), numpyndarray的字典

二维numpyndarray

别的DataFrame

结构化的记录(structured arrays)

（2）其中，二维ndarray创建DataFrame，代码敲得最少：

import pandas as pd

import numpy as np

df = pdDataFrame(nprandomrandn(10, 4))

df

0 1 2 3

0 0927474 0127571 1655908 0570818

1 -0425084 -0382933 0468073 -0862898

2 -1602712 -0225793 -0688641 1167477

3 -1771992 -0692575 -0693494 -1063697

4 -0456724 0371165 1883742 -0344189

5 1024734 0647224 1134449 0266797

6 1247507 0114464 2271932 -0682767

7 -0190627 -0096997 -0204778 -0440155

8 -0471289 -1025644 -0741181 -1707240

9 -0172242 0702187 -1138795 -0112005

（3）通过describe方法，可以对df中的数据有个大概的了解：

dfdescribe()

0 1 2 3

count 10000000 10000000 10000000 10000000

mean -0189096 -0046133 0394722 -0320786

std 1027134 0557420 1258019 0837497

min -1771992 -1025644 -1138795 -1707240

25% -0467648 -0343648 -0692281 -0817865

50% -0307856 0008734 0131648 -0392172

75% 0652545 0310266 1525543 0172096

max 1247507 0702187 2271932 1167477

2 改变cell。

3 group by。

4 读写文件。

以上就是关于TensorFlow入门全部的内容，包括:TensorFlow入门、pandas怎么读取.data数据、等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！