TensorFlow入门
”TensorFlow是目前最流行的深度学习框架，没有之一；背靠google这颗大树，Alpha狗光环加持，不得不是深度学习人员的首选。静态计算视图+数据流，灵活的底层API适合对深度神经网络有深刻认识的使用者，不过不够清晰的文档一直为人诟病，瑕不掩瑜。“
本期主要介绍TensorFlow(下称tf)的一些特点
- 熟悉的张量计算api：这是使用过numpy的朋友的福利，tf中对于张量的计算api和numpy非常类似，上手没有任何难度
- 基础而灵活的神经网络api，举个例子：l2 regularization；tf中的使用，89、90和97行
而Pytorch中的使用：
仅仅一个参数weight_decay搞定，非常方便，但是过于方便，不利于使用者深入理解
- 丰富的api：gan，seq2seq，crf等等流行的模型都有涵盖
- 人性化的模型训练监控Supervisor
- 结果可视化 - Tensorboard
本期代码是以TensorFlow为框架用lstm+cnn实现文本分类，数据是TREC
模型初始化：
- global_step - 模型全局的步骤
- l2_loss - L2 regularization
- uniform_init - 随机初始化
- train_op - 参数优化，本期使用Adam
placeholder初始化
- input、label - 训练数据和标签
计算视图初始化，lstm和cnn部分
训练
- 以sess(会话)为媒介控制训练，数据的流入和流出也是经过session
训练和测试
- session定义 - 82行
- summary_writer - 上文中Tensorboard的数据来源
