基本概念

1. 使用图（graph）来表示计算任务
2. 在会话（session）中执行图
3. 使用（tensor）来表示数据结构
4. 使用（variable）来维护状态
5. 使用feed与fetch为任意的操作赋值或者获取数据

就是说，任何的运算要用图来进行计算，图要放在一个更大的环境中执行，也就是session。在tensorflow中，基本的数据结构是tensor，获取数据与添加数据使用feed和fetch。

构建一个tensorflow模型的基本步骤

一般流程是先创建一个图（graph），然后在会话中启动它（session）。

更加方便的一种是Interactivesession类，使用他，可以更加方便的 构建你的代码，他能在让你运行图的时候插入一些图。

如果没有interactivesession类，你需要在启动session之前构建整个计算图，然后启动这个计算图。

import input_data
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)

import tensorflow as tf
sess = tf.InteractiveSession()

构建softmax回归模型

占位符

通过为输入与输出设置节点，开始构建图：

x = tf.placeholder("float", shape=[None, 784])
y_ = tf.placeholder("float", shape=[None, 10])

这里的x，y都不是特定的值，而是一个占位符，在tensorflow运行对的时时候根据这个占位符输入具体的值。
输入图片x表示 表示一个二位的浮点数张量，这里分配给他的shape=[None,784]，784表示一张展平的图片维度，None表示其值的大小不一定。虽然palceholder的shape是可选的，但是有了它，tensorflow可以捕捉应为数据维度不一样而导致的错误。

变量

在机器学习的过程中，参数一般使用变量来表示。

W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))

我们在调用tf.variable的时候传入参数，在这个例子里面，把
w和b都赋值为0，其中w是一个784乘以10的矩阵，b是一个一维向量。
变量需要通过session初始化后，才能够在session中使用

sess.run(tf.initialize_all_variables())

类别预测与损失函数

把向量化后的图片x和权重矩阵w相乘，加上偏置b，然后分别计算每个分类的softmax的概率值。

y = tf.nn.softmax(tf.matmul(x,W) + b)

损失函数就是目标类别与预测类别之间的交叉熵。

cross_entropy = -tf.reduce_sum(y_*tf.log(y))

tf.reduce_sum把minibatch里的每张图片的交叉熵值都加起来了。我们计算的交叉熵是指整个minibatch的。

训练模型

我们已经定义好模型与损失函数，用tensorflow进行训练就很简单了：

train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

这一行代码实际上是用来往计算图上添加一个新操作，其中包括计算梯度，计算每个参数的步长变化，并且计算出新的参数值。
返回的train_step操作对象，在运行时会使用梯度下降来更新参数。因此，整个模型的训练可以通过反复地运行train_step来完成。

for i in range(1000):
  batch = mnist.train.next_batch(50)
  train_step.run(feed_dict={x: batch[0], y_: batch[1]})

评估模型

那么我们的模型性能如何呢？
首先让我们找出那些预测正确的标签。tf.argmax 是一个非常有用的函数，它能给出某个tensor对象在某一维上的其数据最大值所在的索引值。由于标签向量是由0,1组成，因此最大值1所在的索引位置就是类别标签，比如tf.argmax(y,1)返回的是模型对于任一输入x预测到的标签值，而 tf.argmax(y_,1) 代表正确的标签，我们可以用 tf.equal 来检测我们的预测是否真实标签匹配(索引位置一样表示匹配)。

correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))

这里返回一个布尔数组。为了计算我们分类的准确率，我们将布尔值转换为浮点数来代表对、错，然后取平均值。例如：[True, False, True, True]变为[1,0,1,1]，计算出平均值为0.75。

accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))

最后，我们可以计算出在测试数据上的准确率，大概是91%。

print accuracy.eval(feed_dict={x: mnist.test.images, y_: mnist.test.labels})