1. 基本概念

  • 节点（constant、placeholder、Variable）

2. 细节问题

2.1 tensorflow 张量的阶、形状、数据类型及None在tensor中表示的意思

https://www.cnblogs.com/welhzh/p/6554872.html

x = tf.placeholder(tf.float32, [None, 784])

x isn’t a specific value. It’s a placeholder, a value that we’ll input when we ask TensorFlow to run a computation. We want to be able to input any number of MNIST images, each flattened into a 784-dimensional vector. We represent this as a 2-D tensor of floating-point numbers, with a shape [None, 784]. (Here None means that a dimension can be of any length.) 注：这里的“None”表示其可以是任意长度

2.2 tensorflow函数解析：Session.run和Tensor.eval

http://blog.csdn.net/zcf1784266476/article/details/70259676

这其中最重要的区别就在于你可以使用sess.run()在同一步获取多个tensor中的值，例如：

t = tf.constant(42.0)
u = tf.constant(37.0)
tu = tf.mul(t, u)
ut = tf.mul(U, t)
with sess.as_default():
	tu.eval() # runs one step
	ut.eval() # runs one step
	sess.run([tu, ut]) # evaluates both tensors in a single step

3. Numpy学习

numpy.random.choice()随机选取内容

4. 博客学习

一文学会用 Tensorflow 搭建神经网络

5. 教程学习

6. 数据预处理

标准化（normalization）

  • 数据的标准化（normalization）是将数据按比例缩放，使之落入一个小的特定区间。在一些数据比较和评价中常用到。典型的有归一化法，还有比如极值法、标准差法。

归一化

  • 归一化方法的主要有两种形式：一种是把数变为（0，1）之间的小数，一种是把有量纲表达式变为无量纲表达式。在数字信号处理中是简化计算的有效方式。

标准差标准化 (z-score standardization)

经过处理的数据符合标准正态分布，均值为，标准差为

# 使用scikit-learn函数
standar_scaler = preprocessing.StandardScaler()
feature_scaled = standar_scaler.fit_transform(feature)

# 使用numpy自定义函数
def min_max_norm(x):
	x = np.array(x)
	x_norm = (x - np.mean(x)) / np.std(x)
	return x_norm

参考Blog