tensorflow實戰：
第一章是基礎，沒什麼好看的，跳過出，第二章是說tensorflow和其他的模組，比如caffe等，caffe以前也說過，比較容易，但是配置比較麻煩（cpu的容易點，gpu比較麻煩）
第三章：簡單說一下安裝吧，就行在命令列輸入(前提是你已經有python)
pip install tensorflow第乙個例子就是手寫數字的識別，準確率不是太高，92%左右，具體操作如下。
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("mnist_data/", one_hot=true)
print(mnist.train.images.shape, mnist.train.labels.shape)
print(mnist.test.images.shape, mnist.test.labels.shape)
print(mnist.validation.images.shape, mnist.validation.labels.shape)
import tensorflow as tf
sess = tf.interactivesession()
x = tf.placeholder(tf.float32, [none, 784])
w = tf.variable(tf.zeros([784, 10]))
b = tf.variable(tf.zeros([10]))
y = tf.nn.softmax(tf.matmul(x, w) + b)
y_ = tf.placeholder(tf.float32, [none, 10])
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1]))
train_step = tf.train.gradientdescentoptimizer(0.5).minimize(cross_entropy)
tf.global_variables_initializer().run()
for i in range(1000):
batch_xs, batch_ys = mnist.train.next_batch(100)
train_step.run()
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
print(accuracy.eval())
我們會對其一步一步介紹：
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("mnist_data/", one_hot=true)
print(mnist.train.images.shape, mnist.train.labels.shape)#把資料的測試資料集顯示出來，結果是(55000, 784) (55000, 10)，表示有55000個測試，28*28,10個標籤
print(mnist.test.images.shape, mnist.test.labels.shape)
#(10000, 784) (10000, 10)
print(mnist.validation.images.shape, mnist.validation.labels.shape)
#(5000, 784) (5000, 10)28*28寫成784的原因：
答：這裡丟棄了的二 維結構方面的資訊，只 是把一張變成乙個很長的1維向量。讀者可能會問，的空間結構資訊不是很有價值嗎，為什麼我們要丟棄呢？因為這個資料集的分類任務比較簡單，同時也是我們使用tensorflow的第一次嘗試， 我們 不需要建立乙個太複雜的模型 ，所以簡化了問題，丟棄空間結構的資訊。後面的章節將使用卷積神經網路對空間結構資訊進行利用，並取得更高的準確率。我們將展開成l維向量時 ，順序並不重要，只要每一張都是用同樣的順序進行展開的 就可以。
import tensorflow as tf
sess = tf.interactivesession()
x = tf.placeholder(tf.float32, [none, 784])
#輸入資料的地方w = tf.variable(tf.zeros([784, 10]))
b = tf.variable(tf.zeros([10]))
#tensorflow的輸入變數，這裡是初始化的輸入引數y = tf.nn.softmax(tf.matmul(x, w) + b)#輸入x是，輸出的量，softmax是多分類的激勵函式y_ = tf.placeholder(tf.float32, [none, 10])#輸入的真實資料的標籤。cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1]))#計算損失函式，這裡用的是交叉熵（有些用的是二範數），我其中一篇部落格講了它們的優缺點。train_step = tf.train.gradientdescentoptimizer(0.5).minimize(cross_entropy)#優化演算法tf.global_variables_initializer().run()#全域性引數初始化for i in range(1000):
batch_xs, batch_ys = mnist.train.next_batch(100)
train_step.run()
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
print(accuracy.eval())
我的實驗結果準確率是91.8%
（一）手寫spring IOC容器
設計bean工廠介面 如何告訴他建立bean？建立什麼bean？bean工廠實現 畫完整uml類圖 編寫 測試總結 1.ioc是什麼？ioc inversion of control 控制反轉，也稱依賴倒置反轉。反 依賴物件的獲得權被反轉了，由自己建立，變為從ioc容器獲取，和自動注入。2.帶來什麼...
一手寫不出大市場
丁乙乙 手寫板？就是那種給老人用的？在回答記者關於 你是否會購買手寫板 時，一位20來歲的小夥子脫口而出這句話。怎麼會呢？記者真是從來沒有聽到這樣的理論。怎麼不是？我每天網上聊天，雖然打的是全拼，但也蠻快的。有什麼必要再去用手寫？只有那些連拼音也掌握不了的老人才會去用呢！短短幾句話，雖然難免有失偏頗...
手撕VUE原始碼 一 手寫乙個MVVM
class vue class observer observer data reactive key,value,data set newvalue class compiler compilertodata fregment else compilerelementnode node attr ...