框架：Python + TensorFlow
知识：工程配置 + HelloWorld + MNIST
本文源码的GitHub地址
准备
Fork TensorFlow的工程，并下载，转换远端Git地址
git remote set-url origin https://github.com/SpikeKing/tensorflow.git
创建Python工程MachineLearningTutorial，使用 virtualenv 创建虚拟环境
pip install virtualenv
virtualenv MLT_ENV
激活或关闭的命令
source MLT_ENV/bin/activate
deactivate
安装TensorFlow的库，使用阿里云的源
pip install TensorFlow -i http://mirrors.aliyun.com/pypi/simple --trusted-host mirrors.aliyun.com
导出库的版本，及全部安装
pip freeze>requirements.txt
pip install -r requirements.txt
阿里云的源非常快
pip install -r requirements.txt -i http://mirrors.aliyun.com/pypi/simple --trusted-host mirrors.aliyun.com
如果更新失败，可能是pip的版本过低，升级pip即可
pip install --upgrade pip
Hello World
切换Python的解释器（Interpreter）
HelloWorld
import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
print sess.run(hello)
a = tf.constant(10)
b = tf.constant(32)
print sess.run(a + b)
输出
Hello, TensorFlow!
42
避免cpu_feature_guard警告
import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
MNIST
路径：tensorflow/examples/tutorials/mnist/mnist_softmax.py
加载MNIST数据，默认存放于tmp文件夹，标签使用one-hot模式
mnist = input_data.read_data_sets(FLAGS.data_dir, one_hot=True)
one-hot的值，如下：[ 0. 0. 0. 0. 0. 0. 0. 1. 0. 0.]，表示标签“7”，将类别标签转换为向量，避免标签的数值关系。
创建变量，placeholder表示输入数据、Variable表示可变参数，最终公式是y = x * W + b，y_表示真实标签（Ground Truth）
x = tf.placeholder(tf.float32, [None, 784])
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
y = tf.matmul(x, W) + b
y_ = tf.placeholder(tf.float32, [None, 10])
计算交叉熵，即损失函数，labels表示真实标签，logits表示预估标签
cross_entropy = tf.reduce_mean(
tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y))
等价于
sc2 = tf.reduce_sum(-1 * (labels_ * tf.log(tf.nn.softmax(labels))), reduction_indices=[1])
梯度下降的方式，优化交叉熵
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
创建交互会话，初始化全部可变参数
sess = tf.InteractiveSession()
tf.global_variables_initializer().run()
每次取出100张图片，进行训练，在Session中执行train_step公式，feed_dict输入参数（placeholder），按批次（batch）训练
for _ in range(1000):
batch_xs, batch_ys = mnist.train.next_batch(100)
sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})
输出一维列表最大值的索引（argmax），进行比较（equal），再讲Bool值转为Float（cast），全部求平均（reduce_mean），就是准确率的计算公式
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
在Session中执行accuracy公式，feed_dict输入参数（placeholder），数据源是测试集
print(sess.run(accuracy, feed_dict={x: mnist.test.images,
y_: mnist.test.labels}))
脚本参数是data_dir，在main函数中，则是FLAGS.data_dir，默认存放于临时目录（tmp），在 tf.app.run()中执行，FLAGS表示指定的参数，如--learning_rate 20，unparsed表示未指定的参数，随意输入的参数。
if __name__ == '__main__':
parser = argparse.ArgumentParser()
parser.add_argument('--data_dir', type=str, default='/tmp/tensorflow/mnist/input_data',
help='Directory for storing input data')
FLAGS, unparsed = parser.parse_known_args()
tf.app.run(main=main, argv=[sys.argv[0]] + unparsed)
Mac系统中，tmp存放隐藏文件，在终端的home目录中，输入open /tmp，即可打开
完整的MNIST代码，及注释
FLAGS = None # 全局变量
def main(_):
mnist = input_data.read_data_sets(FLAGS.data_dir, one_hot=True) # 加载数据源
x = tf.placeholder(tf.float32, [None, 784]) # 数据输入
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
y = tf.matmul(x, W) + b
y_ = tf.placeholder(tf.float32, [None, 10]) # 标签输入
cross_entropy = tf.reduce_mean(
tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y)) # 损失函数
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy) # 优化器
sess = tf.InteractiveSession() # 交互会话
tf.global_variables_initializer().run() # 初始化变量
# 训练模型
for _ in range(1000):
batch_xs, batch_ys = mnist.train.next_batch(100)
sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})
# 验证模型
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
print(sess.run(accuracy, feed_dict={x: mnist.test.images,
y_: mnist.test.labels}))
if __name__ == '__main__':
parser = argparse.ArgumentParser() # 设置参数data_dir
parser.add_argument('--data_dir', type=str, default='/tmp/tensorflow/mnist/input_data',
help='Directory for storing input data')
FLAGS, unparsed = parser.parse_known_args()
tf.app.run(main=main, argv=[sys.argv[0]] + unparsed)
工程配置 + HelloWorld + MNIST
OK! That's all! Enjoy it!
