tensorflow中对tensor对象进行像numpy数组一样便捷的操作是不可能的， 至少对1.2以及之前的版本而言。从issue上看到，有不少人希望tensorflow能及早实现这些操作，但近期来看是不太可能了。下面我来向大家介绍几种常用的操作，以及其

tensor详细数值 不能直接print打印：。因为我们在建立graph的时候，只建立 tensor 的 结构形状信息 ，并没有 执行 数据的操作。

ANACONDA Prompt中不能用pip命令安装包，并且是在安装了TensorFlow后才发生的。TypeError: parse() got an unexpected keyword argument 'transport_encoding'解决方

人脸检测方法有许多，比如opencv自带的人脸Haar特征分类器和dlib人脸检测方法等。对于opencv的人脸检测方法，有点是简单，快速；存在的问题是人脸检测效果不好。正面/垂直/光线较好的人脸，该方法可以检测出来，而侧面/歪斜/光线不好的人脸，无法检测

交叉熵刻画了两个概率分布之间的距离，是分类问题中使用广泛的损失函数。在TensorFlow中，Softmax回归的参数被去掉了，只是一个额外的处理层，将神经网络的输出变成一个概率分布。对于理想的分类问题和回归问题，可采用交叉熵或者MSE损失函数，但是对于一

tensorflow作为google开源的项目，现在赶超了caffe，好像成为最受欢迎的深度学习框架。确实在编写的时候更能感受到代码的真实存在，这点和caffe不同，caffe通过编写配置文件进行网络的生成。环境tensorflow是0.10的版本，注意其

tf.get_variable中的初始化方法的参数和tf.Variable的初始化过程也类似，initializer函数和tf.Variable的初始化方法是一一对应的，详见下表。当tf.variable_scope函数的参数reuse=True生成上下文

我们在上线使用一个算法模型的时候，首先必须将已经训练好的模型保存下来。而tensorflow由于有graph, operation 这些概念，保存与载入模型稍显麻烦。网上搜索tensorflow模型保存，搜到的大多是基本的方法。save_path = sa

用tensorflow构建简单的线性回归模型是tensorflow的一个基础样例，但是原有的样例存在一些问题，我在实际调试的过程中做了一点自己的改进，并且有一些体会。以上时tensorflow的一点认识，下面是关于梯度下降的一点新认识。

import matplotlib.pyplot as plt;import tensorflow as tf;image_raw_data_jpg = tf.gfile.FastGFile('11.jpg', 'r').read(). image_raw

在这里简单介绍下整体思路。第一步get_files() 方法读取图片，然后根据图片名，添加猫狗 label，然后再将 image和label 放到 数组中，打乱顺序返回 将第一步处理好的图片 和label 数组 转化为 tensorflow 能够识别的格

使用TensorFlow构建一个神经网络来实现二分类，主要包括输入数据格式、隐藏层数的定义、损失函数的选择、优化函数的选择、输出层。下面通过numpy来随机生成一组数据，通过定义一种正负样本的区别，通过TensorFlow来构造一个神经网络来实现二分类。