TensorFlow

Python

Docker下安装TensorFlow
Tensorflow 是Google的一个开源机器学习框架，中国大陆的用户在使用的时候往往需要爬过GFW墙，借助VPN，但是成功率还是很低，或者即使连接上了，速度也很慢。
使用docker hub中提供的镜像库，基本会成功安装Tensorflow。
Winodws下cmd中运行以下命令进行安装：

docker run -it -p 8888:8888 tensorflow/tensorflow

TensorFlow使用
使用TensorFlow之前，首先导入它：

import tensorflow as tf

我们通过操作符号变量来描述这些可交互的操作单元，可以用下面的方式创建一个：

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

x不是一个特定的值，而是一个占位符 placeholder，我们在TensorFlow运行计算时输入这个值。我们希望能够输入任意数量的MNIST图像，每一张图展平成784维的向量。我们用2维的浮点数张量来表示这些图，这个张量的形状是[None，784]。（这里的None表示此张量的第一个维度可以是任何长度的。）

Variable 代表一个可修改的张量，存在在TensorFlow的用于描述交互性操作的图中。它们可以用于计算输入值，也可以在计算中被修改。对于各种机器学习应用，一般都会有模型参数，可以用Variable表示。

用全为零的张量来初始化W和b。因为我们要学习W和b的值，它们的初值可以随意设置。

实现模型：y = tf.nn.softmax(tf.matmul(x,W) + b)

如何制作机器学习的数据集

搭建 TensorFlow 的流程基本如下
1. 导入数据集 ：数据集处理
2. 导入TensorFlow模块 ：模块库
3. Create the model ：占位符
4. Define loss and optimizer ：优化因子
5. Train ：参数初始化，迭代训练
6. Test trained model：

图像处理
1、openCV
在读取图像之前，你得把你的做实验的图像事先放到工作目录下才行。读取函数是cv2.imread()，关于函数说明： cv2.imread(‘图像名称’，’可选参数’)
可选参数决定读入图像的模式：
0：读入的为灰度图像（即使图像为彩色的）
1：读入的图像为彩色的（默认）；
注意的是：即使图像在工作空间不存在，这个函数也不会报错，只不过读入的结果为none。

import cv2 
img = cv2.imread(‘flower.jpg’) 

[Python下opencv使用笔记（一）（图像简单读取、显示与储存）][1]
[OpenCV中文教程][2]

TensorFlow使用
变量的声明函数 tf. Variable
tf.random_ normal([2, 3], stddev = 2 ）会产生一个2*3的矩阵，矩阵中的元素是均值为0 ，标准差为2 的随机数。均值可以用mean来指定
TensorFlow 中矩阵乘法是非常容易实现的。以下TensorFlow 程序实现神经网络的前向传播过程。

a = tf .matmul (x, wl)
y = tf .matmul (a, w2)

其中tf.matmul 实现了矩阵乘法的功能。
一些其他的随机数生成器

tf.random_normal 正态分布
tf.random_uniform 均匀分布
tf.random_gamma gamma分布
tf.truncated_normal 正态分布 但如果随机出来的值偏离平均值超过2，那么这个数将会被重新随机

常数生成函数:

tf.zeros 产生全零的数组
tf.ones 产生全1的数组
tf.fill 产生一个全部为给定数字的数组
tf.constant 产生一个给定的常量
eg： biases= tf . Variable(tf . zeros([3))) biases 偏置项

TensorFlow 也支持通过其他变量的初始值来初始化新的变量

w2 = tf. Variable (weights. initialized_value ())
w3 = tf.Variable(weights.initialized_value() * 2 . 0)

以上代码中， w2 的初始值被设置成了与weights 变量相同。w3 的初始值则是weights
初始值的两倍。在TensorFlow 中， 一个变量的值在被使用之前，这个变量的初始化过程需要
被明确地调用。

卷积神经网络

tf.nn.conv2d()的工作方法

tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)
有六个参数，其中前面的四个比较主要。

input：输入图片，格式为[batch，长，宽，通道数]，长和宽比较好理解 batch就是一批训练数据有多少张照片。

filter：就是卷积核，其格式为[长，宽，输入通道数，输出通道数]，其中长和宽指的是本次卷积计算的“抹布”的规格，输入通道数应当和input的通道数一致，输出通道数可以随意指定。

strides: 是步长，一般情况下的格式为[1，长上步长，宽上步长，1]，官方规定前后为1，所谓步长就是指抹布（卷积核）每次在长和宽上滑动多少会停下来计算一次卷积。这个步长不一定要能够被输入图片的长和宽整除。

padding：是卷积核（抹布）在边缘处的处理方法，即填充，如果边缘数据不可丢弃，可通过选择same 方法进行卷积。

• valid模式在边缘采取的是“不及”的方法
• same则是“过”的策略

tf.truncated_normal

tf.truncated_normal(
    shape,
    mean=0.0,
    stddev=1.0,
    dtype=tf.float32,
    seed=None,
    name=None
)

函数参数：
shape：一维整数张量或 Python 数组,输出张量的形状.
mean：dtype 类型的 0-D 张量或 Python 值,截断正态分布的均值.
stddev：dtype 类型的 0-D 张量或 Python 值,截断前正态分布的标准偏差.
dtype：输出的类型.
seed：一个 Python 整数.用于为分发创建随机种子.查看tf.set_random_seed行为.
name：操作的名称(可选).
函数返回值：
tf.truncated_normal函数返回指定形状的张量填充随机截断的正常值.

tf.nn.max_pool

tf.nn.max_pool(
    value,
    ksize,
    strides,
    padding,
    data_format='NHWC',
    name=None
)

value：需要池化的输入，一般池化层接在卷积层后面，与tf.nn.conv2d()的第一个参数相同
依然是 [batch, height, width, channels] 这样的shape
ksize：池化窗口的大小，取一个四维向量，4个整数的列表或元组。输入张量的每个维度的窗口大小。一般是 [1, height, width, 1]，因为我们不想在batch和channels上做池化，所以这两个维度设为了1。
strides：和卷积类似，窗口在每一个维度上滑动的步长，一般也是[1, stride,stride, 1]
padding：和卷积类似，可以取 'VALID' 或者 'SAME' 。

tf.nn.dropout

def dropout(x, keep_prob, noise_shape=None, seed=None, name=None)
 #  x，你自己的训练、测试数据等
 #  keep_prob，dropout概率

tf.matmul

矩阵 a 乘以矩阵 b,生成a * b

卷积池化的差别

picture 卷积 →feature map
卷积 作用用它来进行特征提取
池化 对输入的特征图进行压缩，一方面使特征图变小，简化网络计算复杂度；一方面进行特征压缩，提取主要特征

全连接层

图片尺寸减小到7x7，我们加入一个有1024个神经元的全连接层