Tensorflow (Start to "flow")

我們先前(看此篇)已經對TensorFlow做了初步的了解，但距離真正使用此資料庫進行機械學習的任務還有段距離，我們今天就繼續讀一讀TensorFlow的手冊吧。

先回顧一下，以下是定義兩個浮點node (node_1, node_2)並完成一個Session的完整程式:

但是到這邊僅是定義"張量"而已，根本還沒開始"流動"，所以接下來我們看看怎把兩個數字加起來(流動!!)。首先先建立一個新的node_3，定義為藉由tf.add()相加後的結果:

如同我們先前看過的，若沒執行sess.run()，程式不會執行運算。執行sess.run(node_3)就可以把兩個node加起來了。

當然在多數的情況，我們不會僅使用常數(constant)執行運算，所以可以先建立placeholder，之後再接受輸入值。如建立下列的a及b，再定義adder_noder為兩個node的和，執行時利用一個dictionary{}輸入，如下方的例子:

如上述的第二個例子，a及b不一定只能用純量，向量也是可以的，將[1,2]及[3,4]兩個向量加起來得到[4,6]的結果。

可以再把結果乘兩倍:

在機械學習中，我們通常先提出一個可供輸入參數的模型(model)，之後就可以"訓練"了，因此我們必須引入變數(Variable)於模型之中，如下方例子的變數W及b:

這邊我們先輸入起始值(分別為W=0.3; b=-0.3)，model為W*x+b。不過tf.constant呼叫的時候就開始動作了，值也不會變動。但tf.Variable則不一樣，因此必須多一個呼叫啟動變數的指令tf.global_variables_initilizer()，另外，placeholder則輸入四個數字[1,2,3,4]，最後就可以得到model運算後的結果[0, 0.3, 0.6, 0.9]。

也可以這樣寫:

with as 的語法好處是資源管理比較不會出錯。

好啦~現在有個model囉，但還是要知道這個model的好壞，所以再加入一個y的placeholder，另外引入一個評估model好壞的損失(loss)函數(這邊應該是指均方誤差，但略去1/2):

結果是23.66。

接著"手動"地變更W與b的值(W=-1; b=1)，再算一次。

得到0 的結果，以損失函數來說是比較好的model。

接下來就是要以"機械"的方式取代"手動"的工作將W與b的值最佳化。

參考資料
Getting Started with TensorFlow