tensorflow入门（一）---从一个小程序说起

我们现在需要拟合一条直线，通常我们会选用最小二乘的方法，通过编程优化实现，现在我们先用tensorflow提供的API来实现这个程序。麻雀虽小五脏俱全，里面会涉及到很多tensorflow的核心API和思想：

我们随机生成100个点，然后对这个点进行拟合，通过梯度下降算法来优化得到参数：

import tensorflow as tf
import numpy as np
import os
# 只使用第一块GPU来计算，如果不指定的话会调用所有可能资源，这样对服务器压力太大
os.environ["CUDA_VISIBLE_DEVICES"] = '0'

# 使用 NumPy 生成假数据总共 100 个点.
x_data = np.float32(np.random.rand(2, 100))      # 随机产生100个值为0-1的点
y_data = np.dot([0.100, 0.200], x_data) + 0.300  # 产生标签，点乘

# 构造一个线性模型
#
b = tf.Variable(tf.zeros([1]))
W = tf.Variable(tf.random_uniform([1, 2], -1.0, 1.0))
y = tf.matmul(W, x_data) + b

# 建立模型与数据之间的关系，最小化方差
loss = tf.reduce_mean(tf.square(y - y_data))
# 设定优化器，传入的参数是lr
optimizer = tf.train.GradientDescentOptimizer(0.5)
# 确定最小化loss
train = optimizer.minimize(loss)

# 初始化所有变量
init = tf.initialize_all_variables()

# 启动图 (graph)
sess = tf.Session()
#初始化变量
sess.run(init)

# 拟合平面
with tf.Session() as sess:
#这种指定GPU的方法会报错，因为不是所有的计算GPU都可以完成的，如果非要使用这种方法
#需要分开返回指令，即进行矩阵乘法运算(MatMul)的时候使用GPU否则使用CPU
#with tf.device("/gpu:0"):
for step in xrange(0, 201):
sess.run(train)
if step % 20 == 0:
print step, sess.run(W), sess.run(b)

# 得到最佳拟合结果 W: [[0.100  0.200]], b: [0.300]

tensorflow可以拆解成两个词：tensor（张量）和flow（流）其中tensor是这个深度学习框架的基本数据结构，所有的数据都由tensor承载，tensor是一个多为数组类似于caffe中的blob。tensorflow通过图来表示计算任务，图中的节点被称为op(operation)，一个op获得0个或者多个的tensor，产生0或者多个tensor。

一个tensorflow图描述了计算的过程，图必须在会话中被启动，在python中图执行完毕返回的是一个numpy ndarray对象。在使用之前我们还需明确几个tensorflow的特性：

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表示数据

4. 通过变量维护当前优化状态

5. 使用feed和fetch为任意操作赋值或者从中获取数据

使用tensor进行深度学习甚至是机器学习算法的实现变得更加的简单：我们只需要构建出关系图，然后tensorflow提供的优化器会帮我们自动的完成优化工作。即：执行sess.run(loss)，和loss相关的整个图会被执行，其中的Variable会被自动的优化。