学习tensorflow先要了解它编码的流程，在此简要描述一下其流程，所有的TensorFlow训练神经网络的过程大致可以分为以下三个过程：

1、定义神经网络的结构和前向传播的输出结果。

2、定义损失函数以及选择反向传播优化的算法。

3、生成会话并且在训练数据上反复运行反向传播优化算法。

无论神经网络结构如何变化，这三个步骤是不变的。当然，每一步里面涉及到的方法和函数是比较复杂的，真正学好神经网络不止要了解大概，还要洞彻其细节部分。目前市面上的书籍讲的普遍比较浅显，稍微深入一些的，大多晦涩难懂。学习的过程最好是书籍和论文相结合，书籍以了解全貌，论文来深入细节，二者相辅相成，方可事半功倍。

下面以一段程序来简单体会一下这个过程（摘自TensorFlow实战深度学习框架）：

• 
  
  import tensorflow as tf
  
  
• 
  
  from numpy.random import RandomState
  
  
• 
  
  #定义训练数据batch的大小
  
  
• 
  
  batch_size=8
  
  
• 
  
  #定义神经网络的参数
  
  
• 
  
  w1=tf.Variable(tf.random_normal([2,3],stddev=1,seed=1))
  
  
• 
  
  w2=tf.Variable(tf.random_normal([3,1],stddev=1,seed=1))
  
  
• 
  
  
  
  
• 
  
  x=tf.placeholder(tf.float32,shape=(None,2),name='x-input')
  
  
• 
  
  y_=tf.placeholder(tf.float32,shape=(None,1),name='y-input')
  
  
• 
  
  
  
  
• 
  
  #1、定义前向传播过程（省略激活函数）
  
  
• 
  
  a=tf.matmul(x,w1)
  
  
• 
  
  y=tf.matmul(a,w2)        #y即是输出结果
  
  
• 
  
  
  
  
• 
  
  #2、定义损失函数和反向传播的算法
  
  
• 
  
  cross_entropy=-tf.reduce_mean(y_*tf.log(tf.clip_by_value(y,1e-10,1.0)))
  
  
• 
  
  train_step=tf.train.AdamOptimizer(0.001).minimize(cross_entropy)
  
  
• 
  
  
  
  
• 
  
  #通过随机数生成一个模拟数据集
  
  
• 
  
  rdm=RandomState(1)
  
  
• 
  
  dataset_size=128
  
  
• 
  
  X=rdm.rand(dataset_size,2)
  
  
• 
  
  
  
  
• 
  
  #定义规则给出样本标签x1+x2<1被认为是正样本，其他为负样本
  
  
• 
  
  Y=[[int(x1+x2<1)] for (x1,x2) in X]
  
  
• 
  
  
  
  
• 
  
  #创建一个会话运行tensorflow样例程序
  
  
• 
  
  with tf.Session() as sess:
  
  
• 
  
      #初始化所有变量
  
  
• 
  
      init_op = tf.global_variables_initializer()
  
  
• 
  
      sess.run(init_op)
  
  
• 
  
      print( sess.run(w1))
  
  
• 
  
      print(sess.run(w2))
  
  
• 
  
      #设定训练轮数
  
  
• 
  
      STEPS = 5000
  
  
• 
  
      for i in range(STEPS):
  
  
• 
  
          #每次选取batch_size个样本进行训练
  
  
• 
  
          start=(i*batch_size)%dataset_size
  
  
• 
  
          end = min(start+batch_size,dataset_size)
  
  
• 
  
          #3、通过选取的样本训练神经网络并更新参数
  
  
• 
  
          sess.run(train_step,feed_dict={x:X[start:end],y_:Y[start:end]})
  
  
• 
  
          #计算每隔一段时间在所有数据上的交叉商并输出，（可以设定阈值，满足条件则停止训练
  
  
• 
  
          if i % 1000 ==0:
  
  
• 
  
              total_cross_entropy=sess.run(cross_entropy,feed_dict={x:X,y_:Y})
  
  
• 
  
              print("after %d training step (s),cross entropy on all data is %g" % (i,total_cross_entropy))
  
  
• 
  
  
  
  
• 
  
      print( sess.run(w1)
  
  
• 
  
      print(sess.run(w2))
  
  
  

       由以上代码可以看出，大体过程是与之前的描述一致的，但是却有一些小步骤，这些小步骤可以看作是每一个大步骤之前的预处理部分。下面以一张流程图来描述这个过程：

奈斯