Python 机器学习库 👽 #

Plotly #

与matplotlib 都是绘图工具，不过效果炫一些，我也没画过，所以只放链接，不放实例了 Plotly Python Library : https://plot.ly/python/

matplotlib #

import matplotlib.pyplot as plt

参数等太多，链接最可靠 #

pyplot参数

还是粘一些常用的： marker 属性（下面写在分号里呦） o . v ^ < > 1 2 3 4 8 s p * h H + x D d | _ 之类

画出一些“花儿”

绘图 #

plt.plot(x, y)
# 在y之后可添加参数，例如常用的label = ‘IamLabel’之类
# 线的样式、颜色 ：b: blue  g: green    r: red  c: cyan m: magenta
y: yellow   k: black    w: white
'-' : solid , '--' : dashed, '-.' : dashdot ':' : dotted    '   '', ' '   ': None
# 粗细 lw=3 更改数字
# 数值折点显示样式 marker = ‘o’   

plot.show()

绘制图表 #

1 #

plt.figure(1)
绘图
plt.figure(2)
绘图

2（未测试） #

plt.figure(1)   # 创建图表1
plt.figure(2)   # 创建图表2
hi1 = plt.subplot(211)  # 在图表2中创建子图1
hi2 = plt.subplot(212)  # 在图表2中创建子图2

一表多图 #

pCapital = plt.subplot(4, 1, 1)
    pCapital.set_ylabel("capital")
    pCapital.plot(d['capitalList'], color='r', lw=0.8)
plt.show()

标注点 #

eg1 #

for w, m in enumerate(self.lowestPrice):
        if w % 120*10 == 0:
            plt.plot([w, w], [m, self.highestPrice[w]], linestyle = '--')
        #plt.scatter(self.dealPoints,color = 'c')
for i in self.dealPoints:           
    plt.scatter([i[0]], [i[1]], color = 'c')    
    for ii in self.ydealPoints:
    plt.scatter([ii[0]], [ii[1]], color = 'm')
    
plt.title('Tick & TradePoint')
plt.legend()
plt.show()

plt.legend() # show() 之前不加这句是不会显示出标注的呦

eg2(还不晓得咋回事儿) #

import numpy as np
t = 2 * np.pi / 3
plt.plot([t, t], [0, np.cos(t)], color='blue', linewidth=2.5, linestyle="--")
plt.scatter([t, ], [np.cos(t), ], 50, color='blue')

plt.annotate(r'$sin(\frac{2\pi}{3})=\frac{\sqrt{3}}{2}$',
	xy=(t, np.sin(t)), xycoords='data',
	xytext=(+10, +30), textcoords='offset points', fontsize=16,
	arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))

plt.plot([t, t],[0, np.sin(t)], color='red', linewidth=2.5, linestyle="--")
plt.scatter([t, ],[np.sin(t), ], 50, color='red')

plt.annotate(r'$cos(\frac{2\pi}{3})=-\frac{1}{2}$',
	xy=(t, np.cos(t)), xycoords='data',
	xytext=(-90, -50), textcoords='offset points', fontsize=16,
arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))

坐标标签显示方案 #

    plt.setp(plt.gca().get_xticklabels(), rotation=20, horizontalalignment='right')
    # 貌似除了角度和right，没有了修改内容

来画一个动态图吧（感觉没啥作用所以就小标题了） #

    import matplotlib.pyplot as plt
    from matplotlib.patches import Circle
    import numpy as np
    import math
    
    plt.close()  #clf() # 清图  cla() # 清坐标轴 close() # 关窗口
    fig=plt.figure()
    ax=fig.add_subplot(1,1,1)
    ax.axis("equal") #设置图像显示的时候XY轴比例
    plt.grid(True) #添加网格
    plt.ion()   #interactive mode on打开交互模式 而不是plt.show()
    IniObsX=0000
    IniObsY=4000
    IniObsAngle=135
    IniObsSpeed=10*math.sqrt(2)   #米/秒
    print('开始仿真')
    try:
        for t in range(180):
                #障碍物船只轨迹             
            obsX=IniObsX+IniObsSpeed*math.sin(IniObsAngle/180*math.pi)*t
            obsY=IniObsY+IniObsSpeed*math.cos(IniObsAngle/180*math.pi)*t
            ax.scatter(obsX,obsY,c='b',marker='.')  
            #散点图
            #ax.lines.pop(1)  删除轨迹
            #下面的图,两船的距离
            plt.pause(0.1)
    except Exception as err:
        print(err)

pandas #

DataFrame #

    import pandas as pd
    import numpy as np
    a = {'a':['A','B','C'], 'b':[1,2,3], 'c':['lo', 'hel', 'hi'], 'd':[7,8,9]}

    df = pd.DataFrame(a)
    # 字典转换为dataFrame（每一个Key 和 Value构成一列，key为列标）
    df = df.set_index('a')
    # 将‘a‘列设置为行标
    sr = pd.Series(a)
    sr2 = df['b']

    df[['b','c']].to_records()[1]['b']
    df[['b','c']]

columns index #

列，参数(行)

取用方法 #

    dfValue.loc[indexKey][colKey]

一个将DataFrame字符串化之后重新解析的程序😓 #

    def parseSTR(self, _str, indexKey, colKey, setIndexNum=0, setColNum=0):
        """
        通过setIndexNum来确定第几列数据为行标题， setColNum确定使用第几行数据作为列标题
        返回通过indexKey行标题 与 colKey列标题 确定的结果
        """
        rows = _str.split('\n')
        columns = rows[0].split(',')[1:]
        tempRow = []
        index = []
        for row in rows[1:]:
            if len(row):
                index.append(row.split(',')[setIndexNum])
                tempRow.append(row.split(',')[1:])
        dfValue = pd.DataFrame(tempRow, index=index, columns=columns)
        try:
            return dfValue.loc[indexKey][colKey]
        except:
            print u'【error:】信息不全'
            return None

Emm,有点儿… 嗯… 嗯…

numpy #

random #

random.seed(int类型) 
# 理解可以为设定开始随机的开始，也就是说每次设定之后再开始取值就会得到相同的随机数()

即 np.random.seed(1)
np.random.random(1)

np.random.seed(1)   
np.random.random(1)

array([ 0.417022])

array([ 0.417022])

标准差 #

a = np.arange(10)
np.std(a)
a.std()

样本标准差 #

a.std(ddof = 1)
np.std(a, ddof = 1)

以上 a.std 只有当a为<type ’numpy.ndarray’> 即用numpy生成的矩阵，array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])才可有，如果是python的列表list 则只能用np.std 来算

scikit-learn #

OpenCV #

Insatll #

caffe：

sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler
sudo apt-get install --no-install-recommends libboost-all-dev

sudo apt-get install libatlas-base-dev

sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev

PIL #

his = im.histogram()

values = {}

for i in range(256): values[i] = his[i]

for j,k in sorted(values.items(),key=lambda x:x[1],reverse = True)[:10]: print j,k

爬虫 #

先链接 为实例视频教程，貌似不错，还没看。

问题 #

虽然, 以前已经积累了一些东西, 知道

• headers
• cookie 啥的, 但今天突然碰到了这个报错:

Caused by SSLError(SSLError(“bad handshake: Error([(‘SSL routines’, ’tls_process_server_certificate’, ‘certificate verify failed’)])

没见过, 之后碰到其余, 统一汇总在此.

SSLError HTTPS #

有人指点到: 因用https的缘故, 其中报 verify failed 所以可以通过

requests.get(url, verify=False)

将verify关闭可通过.

Selenium #

从网页粘来的，下方有作者以及来源链接，格式就保留原有不改了… #

browser = webdriver.Chrome() browser.get(‘https://www.taobao.com/')

显示等待10s #

wait = WebDriverWait(browser, 10)

等待直到元素加载出 #

input = wait.until(EC.presence_of_element_located((By.ID, ‘q’)))

等待直到元素可点击 #

button = wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR, ‘.btn-search’))) print(input, button) from selenium import webdriver from selenium.webdriver.common.by import By from selenium.webdriver.common.keys import Keys from selenium.webdriver.support import expected_conditions as EC from selenium.webdriver.support.wait import WebDriverWait

创建一个浏览器对象 #

browser = webdriver.Chrome() try: # 开启一个浏览器并访问https://www.baidu.com browser.get(‘https://www.baidu.com’) # 在打开的网页响应中根据id查找元素 获取到查询框 input = browser.find_element_by_id(‘kw’) # 向查询框中输入Python input.send_keys(‘Python’) # 模拟回车 input.send_keys(Keys.ENTER) # 显示等待， 等待10秒 wait = WebDriverWait(browser, 10) # 显式等待指定某个条件，然后设置最长等待时间。如果在这个时间还没有找到元素，那么便会抛出异常 wait.until(EC.presence_of_element_located((By.ID,‘content_left’))) # 输出当前的url print(browser.current_url) # 输出Cookies print(browser.get_cookies()) # 输出页面响应内容 print(browser.page_source) finally: pass # 关闭浏览器 browser.close()

<h2>2、Selenium声明浏览器对象</h2><div class="highlight"><pre><code class="language-text"><span></span>from selenium import webdriver

browser = webdriver.Chrome()
browser = webdriver.Firefox()
browser = webdriver.Edge()
browser = webdriver.PhantomJS()
browser = webdriver.Safari()
</code></pre></div><p><br></p><h2>3、查找元素</h2><h2>3.1、查找单个元素</h2><div class="highlight"><pre><code class="language-text"><span></span>from selenium import webdriver

#### 申明一个浏览器对象
browser = webdriver.Chrome()
#### 使用浏览器访问淘宝
browser.get('https://www.taobao.com')
#### 在响应结果中通过id查找元素
input_first = browser.find_element_by_id('q')
#### 在响应结果中通过css选择器查找元素
input_second = browser.find_element_by_css_selector('#q')
#### 在响应结果中通过xpath查找元素
input_third = browser.find_element_by_xpath('//*[@id="q"]')
print(input_first)
print(input_second)
print(input_third)
browser.close()
</code></pre></div><ul><li>find_element_by_name   通过name查找</li><li>find_element_by_xpath  通过xpath查找</li><li>find_element_by_link_text   通过链接查找</li><li>find_element_by_partial_link_text    通过部分链接查找</li><li>find_element_by_tag_name   通过标签名称查找</li><li>find_element_by_class_name   通过类名查找</li><li>find_element_by_css_selector  通过css选择武器查找</li></ul><p><br></p><div class="highlight"><pre><code class="language-text"><span></span>from selenium import webdriver
from selenium.webdriver.common.by import By

#### 申明一个浏览器对象
browser = webdriver.Chrome()
#### 使用浏览器访问淘宝
browser.get('https://www.taobao.com')
#### 第二种方式，通过使用By.xxx指定查找方式
input = browser.find_element(By.ID,'q')
print(input)
browser.close()
</code></pre></div><h2>3.2、多个元素</h2><div class="highlight"><pre><code class="language-text"><span></span>from selenium import webdriver
from selenium.webdriver.common.by import By

#### 申明一个浏览器对象
browser = webdriver.Chrome()
#### 使用浏览器访问淘宝
browser.get('https://www.taobao.com')
#### 根据选择查找多个元素
input_first = browser.find_elements_by_css_selector('.service-bd li')
input_second = browser.find_elements(By.CSS_SELECTOR,'.service-bd li')
print(input_first)
print(input_second)
browser.close()
</code></pre></div><ul><li>find_elements_by_name</li><li>find_elements_by_xpath</li><li>find_elements_by_link_text</li><li>find_elements_by_partial_link_text</li><li>find_elements_by_tag_name</li><li>find_elements_by_class_name</li><li>find_elements_by_css_selector</li></ul><p><br></p><p><br></p>
## 4、元素交互操作
<blockquote>对获取的元素调用交互方法 </blockquote>
```python
import time
from selenium import webdriver
from selenium.webdriver.common.by import By

#### 申明一个浏览器对象
browser = webdriver.Chrome()
#### 使用浏览器访问淘宝
browser.get('https://www.taobao.com')
#### 根据ID查找元素
input_search = browser.find_element(By.ID,'q')
#### 模拟输入PSV到输入框
input_search.send_keys('PSV')
time.sleep(2)
#### 清空输入
input_search.clear()
input_search.send_keys('3DS')
button = browser.find_element(By.CLASS_NAME,'btn-search')
#### 模拟点击
button.click()

browser = webdriver.Chrome() url = ‘http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable' browser.get(url)

切换id为iframeResult的frame #

browser.switch_to.frame(‘iframeResult’) source = browser.find_element_by_css_selector(’#draggable’) target = browser.find_element_by_css_selector(’#droppable’) actions = ActionChains(browser) actions.drag_and_drop(source, target) actions.perform() 更多操作http://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.common.action_chains6、执行JavaScriptfrom selenium import webdriver

申明一个浏览器对象 #

browser = webdriver.Chrome() browser.get(‘https://www.zhihu.com/explore')

执行JavaScript脚本 #

browser.execute_script(‘window.scrollTo(0, document.body.scrollHeight)’) browser.execute_script(‘alert(“To Bottom”)’) 7、获取元素信息7.1、获取属性from selenium import webdriver from selenium.webdriver.common.by import By

申明一个浏览器对象 #

browser = webdriver.Chrome() browser.get(‘https://www.zhihu.com/explore') logo = browser.find_element(By.ID,‘zh-top-link-logo’)

获取属性 #

print(logo.get_attribute(‘class’)) print(logo) browser.close() 7.2、获取文本值from selenium import webdriver from selenium.webdriver.common.by import By

申明一个浏览器对象 #

browser = webdriver.Chrome() browser.get(‘https://www.zhihu.com/explore') submit = browser.find_element(By.ID,‘zu-top-add-question’)

获取文本值 #

print(submit.text) print(submit) browser.close() 7.3、获取ID、位置、标签名、大小from selenium import webdriver from selenium.webdriver.common.by import By

申明一个浏览器对象 #

browser = webdriver.Chrome() browser.get(‘https://www.zhihu.com/explore') submit = browser.find_element(By.ID,‘zu-top-add-question’)

获取id 0.04584255991652042-1 #

print(submit.id)

获取位置 {‘y’: 7, ‘x’: 675} #

print(submit.location)

获取标签名称 button #

print(submit.tag_name)

获取大小 {‘width’: 66, ‘height’: 32} #

print(submit.size) browser.close() 8、Framefrom selenium import webdriver from selenium.common.exceptions import NoSuchElementException

browser = webdriver.Chrome() url = ‘http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable' browser.get(url)

将操作的响应数据换成iframeResult #

browser.switch_to.frame(‘iframeResult’) source = browser.find_element_by_css_selector(’#draggable’) print(source) try: logo = browser.find_element_by_class_name(’logo’) except NoSuchElementException: print(‘NO LOGO’)

切换成父元素 #

browser.switch_to.parent_frame() logo = browser.find_element_by_class_name(’logo’) print(logo) print(logo.text) 9、等待9.1、隐式等待当使用了隐式等待执行测试的时候，如果 WebDriver没有在 DOM中找到元素，将继续等待，超出设定时间后则抛出找不到元素的异常, 换句话说，当查找元素或元素并没有立即出现的时候，隐式等待将等待一段时间再查找 DOM，默认的时间是0from selenium import webdriver

browser = webdriver.Chrome()

等待10秒 #

browser.implicitly_wait(10) browser.get(‘https://www.zhihu.com/explore') input = browser.find_element_by_class_name(‘zu-top-add-question’) print(input) 9.2、显示等待显式等待指定某个条件，然后设置最长等待时间。如果在这个时间还没有找到元素，那么便会抛出异常了。 from selenium import webdriver from selenium.webdriver.common.by import By from selenium.webdriver.support import expected_conditions as EC from selenium.webdriver.support.wait import WebDriverWait

browser = webdriver.Chrome() browser.get(‘https://www.taobao.com/')

显示等待10s #

wait = WebDriverWait(browser, 10)

等待直到元素加载出 #

input = wait.until(EC.presence_of_element_located((By.ID, ‘q’)))

等待直到元素可点击 #

button = wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR, ‘.btn-search’))) print(input, button) title_is 标题是某内容title_contains 标题包含某内容presence_of_element_located 元素加载出，传入定位元组，如(By.ID, ‘p’)visibility_of_element_located 元素可见，传入定位元组visibility_of 可见，传入元素对象presence_of_all_elements_located 所有元素加载出text_to_be_present_in_element 某个元素文本包含某文字text_to_be_present_in_element_value 某个元素值包含某文字frame_to_be_available_and_switch_to_it frame加载并切换invisibility_of_element_located 元素不可见element_to_be_clickable 元素可点击staleness_of 判断一个元素是否仍在DOM，可判断页面是否已经刷新element_to_be_selected 元素可选择，传元素对象element_located_to_be_selected 元素可选择，传入定位元组element_selection_state_to_be 传入元素对象以及状态，相等返回True，否则返回Falseelement_located_selection_state_to_be 传入定位元组以及状态，相等返回True，否则返回Falsealert_is_present 是否出现Alert更多操作http://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.support.expected_conditions10、前进后退import time from selenium import webdriver

browser = webdriver.Chrome() browser.get(‘https://www.baidu.com/') browser.get(‘https://www.taobao.com/') browser.get(‘https://www.python.org/') browser.back() time.sleep(1) browser.forward() browser.close() 11、Cookiesfrom selenium import webdriver

browser = webdriver.Chrome() browser.get(‘https://www.zhihu.com/explore')

获得cookies #

print(browser.get_cookies())

添加cookie #

browser.add_cookie({’name’: ’name’, ‘domain’: ‘www.zhihu.com’, ‘value’: ‘germey’}) print(browser.get_cookies())

删除所有cookies #

browser.delete_all_cookies() print(browser.get_cookies()) 12、选项卡管理import time from selenium import webdriver

browser = webdriver.Chrome() browser.get(‘https://www.baidu.com’)

打开一个选项卡 #

browser.execute_script(‘window.open()’) print(browser.window_handles)

选择第二个选项卡 #

browser.switch_to_window(browser.window_handles[1]) browser.get(‘https://www.taobao.com’) time.sleep(1) browser.switch_to_window(browser.window_handles[0]) browser.get(‘https://python.org’) 13、异常处理

from selenium import webdriver
from selenium.common.exceptions import TimeoutException, NoSuchElementException

browser = webdriver.Chrome()
try:
    browser.get('https://www.baidu.com')
except TimeoutException:
    print('Time Out')
try:
    browser.find_element_by_id('hello')
except NoSuchElementException:
    print('No Element')
finally:
    browser.close()

TensorFlow #

Variable #

必须用到: ```init = tf.initialize_all_variables() # 初始化全部变量

随后即可: ```sess.run(init)

Tensorflow 笔记 #

這是在對照官網學習時的前期入門筆記，其實和官網基本沒有區別，好吧，真的沒有區別。因爲官網真的寫的太好了。 至於我爲什麼要寫出來，是因爲我之前寫在了紙上，對於邏輯的把握很給力，所以在寫一邊。

不過TensorFlow 變動真的很大，版本更迭也很快，所以，下方只是理清邏輯，具體的東西還是去官網比較好。只不過我這兒網謎之很難等上去…

總而言之一句話，先搭好架子再選擇填充材料。就是它的核心邏輯了。而改進也是在架子基礎上去優化優化器。嗯…現在理解就是這樣。

1 #

导入 #

import tensorflow as tf

步骤：①构建计算图 ②运行计算图

2 #

Build a simple computational Graph #

node1 = tf.contant(3.0, dtype = tf.float32)
node2 = tf.contant(4.0) #also tf.float32 impicitly
print (node1, node2)

输出为： #

Tensor ("Cast: 0", shape = (), dtype = float)
Tensor ("Cast_1: 0", shape = (), dtype = float)

打印并不输出值3.0，4.0，而在评估时分别产生3.0和4.0节点。欲实际评估节点，We must run the computational graph within a session. A seesion encapsulation the control and state of the tensorflow runtime.

3 #

Creates a session object , 然后调用run方法运行足够的computational graph to envlute node1 and node2 #

sess = tf.Session()
print (sess.run([node1, node2]))

输出为： #

[3.0,   4.0]        #可见预期值

4 #

We can build more complicated computations by combining Tensor nodes with operations #

node3 = tf.add(node1, node2)
print ("node3: ", node3)
print ("sess.run(node3):", sess.run(node3))

输出为： #

node3:  Tensor("Add:0", shape = (1,dtype = float32))
sess.run(node3): 7.0

5 #

更进一步的，A graph can be parameterized. To accept external input , 称为placeholders #

a = tf.placeholder(tf.float32)
b = tf.placeholder(tf.float32)
adder_note = a + b      #provide a shortcut for tf.add(a, b) and can with multiple input by using
print (sess.run(add_note, {a:3, b:4.5}))
print (sess.run(add_note, {a:[1, 3],  b:[2, 4]}))

输出为： #

7.5
[3.  7.]

5.1 #

more complex by adding anther aperation. for example: #

add_and_triple = adder_note * 3
print (sess.run(add_and_triple, {a:3, b:4.5}))

输出为： #

22.5

In TensorBoard(Tensorflow圖形化界面): 图片.jpg 是下面a+b```` 然后连接到adder_node ,随后再连接到y(add_and_triple)```

5.2 #

That a model that can take arbitary inputs:To mode the modeel trainable,need to modify the graph to get new a outputs with the some input : Variables allow us: #

w = tf.Variables([  .3], dtype = tf.float32)
b = tf.Variables([ -  .3], dtype = tf.float32)
x = tf.placeholder(tf.float32)
linear_model = w * x + b        #线性模型

6 #

使用tf.constant :调用、初始化常数 用tf.Vaiables :變量不被初始化，調用欲初始化所有變量，必須calll a special operation: #

init = tf.global_variables_initializer()
sess.run(init)

7 #

x is a placeholder, we can evaluate lnear_model for several values of x simultaneausly as follow: #

print (sess.run(linear_model, {x:[1,2,3,4]}))

輸出爲： #

[0.        0.30000001   0.60000002  0.90000004]

8 #

有以上結果並不知好壞，因此編寫損失函數： #

y = tf.placeholder(tf.float32)
squared_deltas = tf.square(linear_model - y)        #平方（下方差和）
loss = tf.reduce_sum(squred_deltas)     #差和（上方平方）
print (sess.run)loss, {x:[1, 2, 3, 4], y:[0, -1, -2, -3]})

輸出爲： #

23.66       #損失值：差平方和

8.1 #

We could improve this manually W,b to perfact values of -1 and 1. A variable is initializef to the value provided to tf.Variable but can be charged using operation like tf.assign #

W = -1 and b = 1 are optimal parameters:(最優參數) #

fixW = tf.assign(W, [-1.  ])
fixb = tf.assign(b,[1.  ])
sess.run(fixW, fixb)
print(sess.run(loss, {x:[1, 2, 3, 4],  y:[0, -1, -2, -3]}))

輸出爲： #

0, 0  # The final print shows the loss now is zero !

9 #

模型保存与加载： #

保存： #

saver = tf.train.Saver()    # 生成saver
with tf.Session() as sess:
sess.run(tf.global_variables_initializer()) # 先对模型初始化

# 然后将数据丢入模型进行训练blablabla

# 训练完以后，使用saver.save 来保存
saver.save(sess, "save_path/file_name") #file_name如果不存在的话，会自动创建

加载： #

saver = tf.train.Saver()
with tf.Session() as sess:  #参数可以进行初始化，也可不进行初始化。即使初始化了，初始化的值也会被restore的值给覆盖
sess.run(tf.global_variables_initializer())
saver.restore(sess, "save_path/file_name")  #会将已经保存的变量值resotre到 变量中。

10 #

图形化操作： #

>http://blog.csdn.net/u014595019/article/details/53912710

这篇写的还不错，等之后用过之后再写。

Variable #

必须用到: init = tf.initialize_all_variables() # 初始化全部变量 随后即可: sess.run(init)

Tensorflow 笔记 #

這是在對照官網學習時的前期入門筆記，其實和官網基本沒有區別，好吧，真的沒有區別。因爲官網真的寫的太好了。 至於我爲什麼要寫出來，是因爲我之前寫在了紙上，對於邏輯的把握很給力，所以在寫一邊。

不過TensorFlow 變動真的很大，版本更迭也很快，所以，下方只是理清邏輯，具體的東西還是去官網比較好。只不過我這兒網謎之很難等上去…

總而言之一句話，先搭好架子再選擇填充材料。就是它的核心邏輯了。而改進也是在架子基礎上去優化優化器。嗯…現在理解就是這樣。

1 #

导入 #

import tensorflow as tf

步骤：①构建计算图 ②运行计算图

2 #

Build a simple computational Graph #

node1 = tf.contant(3.0, dtype = tf.float32)
node2 = tf.contant(4.0)	#also tf.float32 impicitly
print (node1, node2)

输出为： #

Tensor ("Cast: 0", shape = (), dtype = float)
Tensor ("Cast_1: 0", shape = (), dtype = float)

打印并不输出值3.0，4.0，而在评估时分别产生3.0和4.0节点。欲实际评估节点，We must run the computational graph within a session. A seesion encapsulation the control and state of the tensorflow runtime.

3 #

Creates a session object , 然后调用run方法运行足够的computational graph to envlute node1 and node2 #

sess = tf.Session()
print (sess.run([node1, node2]))

输出为： #

[3.0,   4.0]		#可见预期值

4 #

We can build more complicated computations by combining Tensor nodes with operations #

node3 = tf.add(node1, node2)
print ("node3: ", node3)
print ("sess.run(node3):", sess.run(node3))

输出为： #

node3:  Tensor("Add:0", shape = (1,dtype = float32))
sess.run(node3): 7.0

5 #

更进一步的，A graph can be parameterized. To accept external input , 称为placeholders #

a = tf.placeholder(tf.float32)
b = tf.placeholder(tf.float32)
adder_note = a + b		#provide a shortcut for tf.add(a, b) and can with multiple input by using
print (sess.run(add_note, {a:3, b:4.5}))
print (sess.run(add_note, {a:[1, 3],  b:[2, 4]}))

输出为： #

7.5
[3.  7.]

5.1 #

more complex by adding anther aperation. for example: #

add_and_triple = adder_note * 3
print (sess.run(add_and_triple, {a:3, b:4.5}))

输出为： #

22.5

In TensorBoard(Tensorflow圖形化界面): 图片.jpg 是下面a+b```` 然后连接到adder_node ,随后再连接到y(add_and_triple)```

5.2 #

That a model that can take arbitary inputs:To mode the modeel trainable,need to modify the graph to get new a outputs with the some input : Variables allow us: #

w = tf.Variables([  .3], dtype = tf.float32)
b = tf.Variables([ -  .3], dtype = tf.float32)
x = tf.placeholder(tf.float32)
linear_model = w * x + b		#线性模型

6 #

使用tf.constant :调用、初始化常数 用tf.Vaiables :變量不被初始化，調用欲初始化所有變量，必須calll a special operation: #

init = tf.global_variables_initializer()
sess.run(init)

7 #

x is a placeholder, we can evaluate lnear_model for several values of x simultaneausly as follow: #

print (sess.run(linear_model, {x:[1,2,3,4]}))

輸出爲： #

[0.        0.30000001   0.60000002  0.90000004]

8 #

有以上結果並不知好壞，因此編寫損失函數： #

y = tf.placeholder(tf.float32)
squared_deltas = tf.square(linear_model - y)		#平方（下方差和）
loss = tf.reduce_sum(squred_deltas)		#差和（上方平方）
print (sess.run)loss, {x:[1, 2, 3, 4], y:[0, -1, -2, -3]})

輸出爲： #

23.66		#損失值：差平方和

8.1 #

We could improve this manually W,b to perfact values of -1 and 1. A variable is initializef to the value provided to tf.Variable but can be charged using operation like tf.assign #

W = -1 and b = 1 are optimal parameters:(最優參數) #

fixW = tf.assign(W, [-1.  ])
fixb = tf.assign(b,[1.  ])
sess.run(fixW, fixb)
print(sess.run(loss, {x:[1, 2, 3, 4],  y:[0, -1, -2, -3]}))

輸出爲： #

0, 0  # The final print shows the loss now is zero !

9 #

模型保存与加载： #

保存： #

saver = tf.train.Saver()	# 生成saver
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())	# 先对模型初始化

# 然后将数据丢入模型进行训练blablabla

# 训练完以后，使用saver.save 来保存
saver.save(sess, "save_path/file_name")	#file_name如果不存在的话，会自动创建

加载： #

saver = tf.train.Saver()
with tf.Session() as sess:	#参数可以进行初始化，也可不进行初始化。即使初始化了，初始化的值也会被restore的值给覆盖
sess.run(tf.global_variables_initializer())
saver.restore(sess, "save_path/file_name")	#会将已经保存的变量值resotre到 变量中。

10 #

图形化操作： #

<http://blog.csdn.net/u014595019/article/details/53912710>

这篇写的还不错，等之后用过之后再写。