第一行会产生一个队列，队列包含0到NUM_EXPOCHES-1的元素，如果num_epochs有指定，则每个元素只产生num_epochs次，否则循环产生。shuffle指定是否打乱顺序，这里shuffle=False表示队列的元素是按0到NUM_EXPO

sess.close()由打印结果可看出，但 eval() 后打印出的结果值是 一样的 。

如何加载预训练的参数。下面就是我的总结。为了方便说明，做一个假设：简单的模型只有一个卷基层，复杂模型有两个。bias = batch_norm # batch_norm是自己写的batchnorm函数。conv1 =make_conv复杂的模型是两个卷基层

Tensorflow 提供了一种统一的格式来存储数据，这个格式就是TFRecord,上一篇文章中所提到的方法当数据的来源更复杂，每个样例中的信息更丰富的时候就很难有效的记录输入数据中的信息了，于是Tensorflow提供了TFRecord来统一存储数据，接

5、ValueError: Variable Wemb/Adam/ does not exist, or was not created with tf.get_variable(). Did you mean to set reuse=None in V

saver = tf.train.Saver在定义 saver 的时候一般会定义最多保存模型的数量，一般来说，如果模型本身很大，我们需要考虑到硬盘大小。如果你需要在当前训练好的模型的基础上进行 fine-tune，那么尽可能多的保存模型，后继 fine-t

今天和大家分享一下用TensorFlow的saver存取训练好的模型那点事。save_path = saver.save#路径可以自己定。print这里我随便定义了几个变量然后进行存操作，运行后，变量w，b，s会被保存下来。其实很简单，只需要在上面代码基础

使用tensorflow 训练模型时,我们可以使用 tensorflow自带的 Save模块 tf.train.Saver()来保存模型,使用方式很简单 就是在训练完模型后,调用saver.save()即可。ww, bb = sess.run其中W,和b都

如何更直观的观察数据在神经网络中的变化，或是已经构建的神经网络的结构。上一篇文章说到，可以使用matplotlib第三方可视化，来进行一定程度上的可视化。然而Tensorflow也自带了可视化模块Tensorboard，并且能更直观的看见整个神经网络的结构

我们需要通过VMware虚拟机平台+Ubuntu虚拟机+安装pip的方式来搭建TensorFlow的环境。安装的方式也有好几种，通过pip，docker,Anacodnda等，因为ubuntu是自带Python和pip的，因此这里给出的是pip的安装方式。

"""Return the next `batch_size` examples from this data set.""". perm = numpy.arange # arange函数用于创

版本选择是3.5.1，因为网上有些深度学习实例用的就是这个版本，跟他们一样的话可以避免版本带来的语句规范问题。在Python的官网下载easy_install的安装包，下载地址 下载完成后解压zip，解压后双击setup.py，会跳出一个黑框闪一下，这时

W= [ 0.10559751] b= [ 0.29925063] loss= 0.000887708. W= [ 0.10417549] b= [ 0.29926425] loss= 0.000884275. W= [ 0.10318361] b= [