# Set up a RunConfig to only save checkpoints once per training cycle.

1. Preparing the TF Model，主要是一个serialized GraphDef 和 checkpoint file

Tensorflow用起来不是很顺手，很大原因在于tensor这个玩意儿，并不像数组或者列表那么的直观，直接print的话只能看到 Tensor(…和array一样，张量也是可以分段读取的，比如 tensor[1:10], tensor[:3]这种操作都是

使用tensorflow过程中，训练结束后我们需要用到模型文件。这时候我们需要掌握如何操作这些模型数据。看完本文，相信你一定会有收获！ckpt文件是二进制文件，保存了所有的weights、biases、gradients等变量。tensorflow 提供了

print#输出的结果为[[1 0 0 0]. [0 0 0 1]]tf.diag_part #功能与tf.diag函数相反,返回对角阵的对角元素。print#输出结果为[1,1,1,1]tf.trace #求一个2维Tensor足迹，即为对角值diago

因为卷积神经网络在训练的过程中，自己会提取特征。放到卷积神经网络里就是每一个隐含节点只与设定范围内的像素点相连，而全连接层是每个像素点与每个隐含节点相连。这种感知野也称之为局部感知。通常选择最大池化，即选择区域内的最大像素点。

刚开始学习tf时，我们从简单的地方开始。卷积神经网络是由简单的神经网络发展而来的，因此，我们的第一个例子，就从神经网络开始。数据从输入层输入，在隐藏层进行加权变换，最后在输出层进行输出。输出的时候，我们可以使用softmax回归，输出属于每个类别的概率值。

在MNIST数据集上，搭建一个简单神经网络结构，一个包含ReLU单元的非线性化处理的两层神经网络。在训练神经网络的时候，使用带指数衰减的学习率设置、使用正则化来避免过拟合、使用滑动平均模型来使得最终的模型更加健壮。程序将计算神经网络前向传播的部分单独定义一

创建一个iris数据集的分类器。加载样本数据集，实现一个简单的二值分类器来预测一朵花是否为山鸢尾。iris数据集有三类花，但这里仅预测是否是山鸢尾。导入iris数据集和工具库，相应地对原数据集进行转换。# This file will perform bi

#使用鸢尾花数据集，后三个特征作为特征，用来预测第一个特征。x_data = tf.placeholder #占位符大小为3. #现在能观察到， 随着训练迭代后损失函数已收敛。

randidx = np.random.randint(trainimg.shape[0],size = nsample). plt.title(""+str(i)+"th Training Data"+"