TensorFlow有很多高级的机器学习API，tf.contrib.learn就是其中之一。tf.contrib.learn的出现让机器学习模型的建立、训练和评估变得十分的简单。本文介绍了用tf.contrib.learn搭建神经网络分类器并对Iris数据集进行分类，我们的代码分为以下五步：

1. 载入包含Iris训练数据和测试数据的CSV文件并保存为Dataset格式
2. 构建神经网络分类器
3. 用训练数据训练模型
4. 评估模型的准确率
5. 对新的样本进行分类

本文接上文，继续学习TensorFlow在CIFAR-10上的教程，该代码主要由以下五部分组成：

本次主要学习cifar10_train.py和cifar10_eval.py两个文件，内容分别为训练模型和评估模型，并最终给出实验过程。

TensorFlow官方网站关于卷积神经网络的教程有具体实例，该实例在CIFAR-10数据集上实现，我对这部分代码进行了学习，该代码主要由以下五部分组成：

本次只对单GPU情况进行学习，对多GPU不做学习。本次学习分上下两部分，本文首先介绍cifar10_input.py、cifar10.py两个函数，内容分别为数据的获取和模型的建立，同时我们还介绍了本次教程的重点和CIFAR-10数据集。

本文整理了TensorFlow中张量(Tensor)相关的一些概念：

• 阶(Rank)
• 形状(Shape)
• 数据类型(Type)

TensorFlow用张量这种数据结构来表示所有的数据，我们可以把一个张量想象成一个n维的数组或列表。

本文整理了TensorFlow中的数据读取方法，在TensorFlow中主要有三种方法读取数据：

1. Feeding：由Python提供数据。
2. Preloaded data：预加载数据。
3. Reading from files：从文件读取。

本文介绍了TensorFlow的线程和队列。在使用TensorFlow进行异步计算时，队列是一种强大的机制。正如TensorFlow中的其他组件一样，队列就是TensorFlow图中的节点。这是一种有状态的节点，就像变量一样：其他节点可以修改它的内容。具体来说，其他节点可以把新元素插入到队列后端(rear)，也可以把队列前端(front)的元素删除。

在神经网络的训练过程中，学习率(learning rate)控制着参数的更新速度，tf.train类下面的五种不同的学习速率的衰减方法。

• tf.train.exponential_decay
• tf.train.inverse_time_decay
• tf.train.natural_exp_decay
• tf.train.piecewise_constant
• tf.train.polynomial_decay

本文只对exponential_decay做整理。

本文记录了TensorFlow训练模型过程中对参数的滑动平均(moving average)的计算，在测试数据上评估模型性能时用这些平均值总会提升预测结果表现，用到的类主要为tf.train.ExponentialMovingAverage。

本文学习了TensorFlow的一些常用的基础函数，主要为以下几种：

• tf.group
• tf.Graph.control_dependencies
• tf.train.Saver

同时介绍了训练过程中的模型保存和恢复方法，主要用到tf.train.Saver类。

本文对TensorFlow的重要可视化工具TensorBoard进行学习。

当我们训练庞大且复杂的神经网络时，为了便于我们理解和调试TensorFlow程序，可视化工具显得尤为重要。而TensorFlow有一个很方便的可视化工具名为TensorBoard，我们可以利用它来可视化我们的graph以及训练的细节。