使用如下命令進行 variable 物件的建立。
tf.variable(initial_value, dtype)其中 initial_value 是傳入的數值型資料，可以傳入數字，python列表，ndarray物件 或者 tensor物件。dtype 為型別，預設是float32。
trainable 屬性：表示是否可以被訓練。
使用函式 assign() assign_add() assign_sub()函式，分別對 variable 物件重新賦值，加 減 等操作。注：是返回乙個操作後的物件，原變數不變。
tensorflow 提供了乙個專門用於求導的類，gradienttape，可以形象的理解為記錄資料梯度的磁帶，通過它，可以實現對變數的自動求導和監視 。
with tf.gradienttape() as tape:gradienttape 類實現了上下文管理器，它能夠監視 with語句塊所有的變數和計算過程，並把他們自動記錄在梯度帶中。函式表示式
grad = tape.gradient(函式, 自變數)
在上述**中，tf.gradienttape() 為建構函式，首先使用它來建立梯度帶物件 tape，同時tape 也是上下文管理器物件。然後把函式表示式寫在 with 語句塊中，監視要求導的變數。最後使用tape物件的gradient函式求得導數。gradient函式的第乙個引數是被求導的函式，第二次引數是被求導的自變數。
例如，求 y = x2| x=3，即 x = 3 的導數的值，具體步驟如下：
gradienttape 有兩個引數，gradienttape(persistent, watch_accessed_variables)，這兩個引數都是 布林型別。
第乙個引數預設為 false，表示這個tape預設只能使用一次，求導之後就被銷毀。
如下，要求兩個函式的導數的值，需要指定 persistent為true，並且在使用完後，需要手動銷毀 tape，del tape
第二個引數表示自動監視所有的可訓練變數，也就是 variable 物件，預設為 true。如果設定為 false，就無法自動監視，如下圖。
在這種情況下，可以手動新增對變數的監視，使用的是 watch() 函式。
gradienttape 類預設自動監視所有的可訓練變數，使用watch函式還可以監視非可訓練物件，比如，可以講上圖的 x 由 variable物件換為 tensor物件，仍然可以得到正確結果。
函式 tape.gradient() 的第二個引數自變數，可以是乙個，可以是多個。如果對多個自變數求偏導數時，只要把所有的自變數都放到乙個列表裡就可以了。如下圖。
也可將畫線一行**寫成如下格式：
df_dx =tape.gradient(f,x)但最後需要使用 del tape 進行資源釋放。df_dy = tape.gradient(f,y)
TensorFlow訓練Logistic回歸
如下圖，可以清晰看到線性回歸和邏輯回歸的關係，乙個線性方程被邏輯方程歸一化後就成了邏輯回歸。對於二分類，輸出假如線性回歸模型為，則要將z轉成y，即y g z 於是最直接的方式是用單位階躍函式來表示，即 如圖，但階躍函式不連續，於是用sigmoid函式替代之，為 如圖，則有，即logistics函式，...
Tensorflow訓練迴圈
def fit loop model,inputs,targets,sample weights none,class weight none,val inputs none,val targets none,val sample weights none,batch size none,epoch...
tensorflow 資料訓練
一 資料訓練遇到問題 excle資料，如何進行訓練？excle資料，如何resize 呢？目前思路 tfrecords 採用 numpy的方法進行處理 學習方法 從檔案中讀取資料 標準化格式tfrecords記錄 二 資料預處理 numpy 不能有中文，要採用decode等方法 不能夠有百分號？目前...