《深度学习之TensorFlow入门、原理与进阶实战》—3.2 模型是如何训练出来的

3.2  模型是如何训练出来的

　　在上面的例子中仅仅迭代了20次就得到了一个可以拟合y≈2x的模型。下面来具体了解一下模型是如何得来的。

3.2.1  模型里的内容及意义

　　一个标准的模型结构分为输入、中间节点、输出三大部分，而如何让这三个部分连通起来学习规则并可以进行计算，则是框架TensorFlow所做的事情。

　　TensorFlow将中间节点及节点间的运算关系（OPS）定义在自己内部的一个“图”上，全通过一个“会话（session）”进行图中OPS的具体运算。

　　可以这样理解：

* “图”是静态的，无论做任何加、减、乘、除，它们只是将关系搭建在一起，不会有任何运算。

* “会话”是动态的，只有启动会话后才会将数据流向图中，并按照图中的关系运算，并将最终的结果从图中流出。

　　TensorFlow用这种方式分离了计算的定义和执行，“图”类似于施工图（blueprint），而“会话”更像施工地点。

　　构建一个完整的图一般需要定义3种变量，如图3-5所示。

* 输入节点：即网络的入口。

* 用于训练的模型参数（也叫学习参数）：是连接各个节点的路径。

* 模型中的节点(OP)：最复杂的就是OP。OP可以用来代表模型中的中间节点，也可以代表最终的输出节点，是网络中的真正结构。

　　如图3-5所示为这3种变量放在图中所组成的网络静态模型。在实际训练中，通过动态的会话将图中的各个节点按照静态的规则运算起来，每一次的迭代都会对图中的学习参数进行更新调整，通过一定次数的迭代运算之后最终所形成的图便是所要的“模型”。而在会话中，任何一个节点都可以通过会话的run函数进行计算，得到该节点的真实数值。

图3-5  模型中的图