如何用tensorflow实现多任务代码？一个分类一个检索

1. 如何用tensorflow实现多任务代码？一个分类一个检索

多任务的一个特点是单个tensor输入(X)，多个输出(Y_1,Y_2...)。因此在定义占位符时要定义多个输出。同样也需要有多个损失函数用于分别计算每个任务的损失。

2. Tensorflow 做LSTM 恢复模型测试时相同输入数据 给出的输出却不一样，这是怎么回事？

应该是dropout设置了随机取值

3. 将该TensorFlow CNN改为二分类

预测一个样本的时候同样可以看做是预测一批样本, 只不过这一批只有一个
X-test = [ x0,x1,x2 ... ]
model.predict(X-test)   
或者  model.predict( [ x0 ] )  
或者  model.predict(  X-test[0:1] )  
都是可以的

4. tensorflow cnn 分类怎么只能预测一批样本，不能预测一个样本

预测一个样本的时候同样可以看做是预测一批样本, 只不过这一批只有一个
X-test = [ x0,x1,x2 ... ]
model.predict(X-test)   
或者  model.predict( [ x0 ] )  
或者  model.predict(  X-test[0:1] )  
都是可以的

5. 用tensorflow实现堆叠自编码器并对mnist进行分类，怎么实现

实现分类，只需要:
1.提取特征(如文本任务上，使用rnn在句子上得到最后一层的hidden state)
2.在特征的基础上使用分类器(如:在特征上做softmax得到概率)

6. tensorflow的各种优化算法怎么实现的

如何高效的学习TensorFlow代码?目前TensorFlow代码已超过40w行，从代码量上来看，绝不是一个能够迅速上手的小项目。所以，想要精通TensorFlow的同学需要做好心理准备。对于想要学习TensorFlow（以下简称TF）的人，根据目的不同，可以简单分为以下2类：1.研究学者，仅仅需要TF这个平台实现深度学习算法，无需了解太多底层原理2.好学的行业内人员（比如我⊙﹏⊙），不仅需要了解算法模型，同时还要熟悉TF平台的原理。在算子、通信、模型优化等方面进行平台的二次开发的人。研究学者：你们可以考虑使用Keras，Python写的深度神经网络库，已经实现了绝大部分神经网络，如：RNN、GRU、LSTM，CNN，Pooling，Full-Connected，以及sigmoid、tanh、Relu、PRelu、SRelu等各种激活函数。并且采用TF/Theano作为后端计算引擎，自己本身拥有一套更高层的API，可以同时跑在TF/Theano平台上。相对于TF来说，这个学习压力小了很多，我们公司负责算法的同事也是用Keras来写模型，然后我再用TF的API来实现分布式部署。附：开发人员：对于我们这类人来说，首先需要弄清平台的很多名称、概念、定义，@贾扬清曾说过TF有太多的Abstraction需要学习。诚然，这加大了我们的学习难度。但是，这也说明Google是想要把这个平台做大做强的，所以才会花时间去设计这一套框架和统一的结构。特别是读了部分源码后，更有这种感触。那么，具体要怎么开始呢？极客学院有翻译部分TF的官方文档，对于初步了解Tensor、DAG、Operator、Variable、Device、Optimizer等是帮助的。在看完这些概念后，有一个MNIST的例子程序作为TF的入门。这个样例用一个简单的Softmax实现了手写体数字识别的神经网络，只有一层参数。同时还介绍了Session、tf.placeholder、图的计算等重要概念。在看完这个样例后，如果理解了DAG和Session，可以继续看用卷积神经网络实现的MNIST，准确率上升到了99%，相对于单层Softmax的92%左右，已经接近目前最高的准确率了。TFv0.8发布了分布式模型，我也研究了将近1个月，才把Seq2seq机器翻译改造成了分布式，但是现在公司不让发布出来ORZ。好消息是，我改写了社区的MNIST分布式程序，并且已经合并到master分支了。所以，如果想要继续学习分布式的话，我建议可以看一下那份代码。比较遗憾的是，极客学院目前没有翻译分布式的教程，所以大家得移步TF官网（貌似被墙了）。由于分布式的资料较少，我这里简单梳理下概念，大家在官网会看到他们的定义：TF采用了PS/Worker的结构来定义集群，其中PS(parameterserver)：存储variable（模型参数），主要负责参数更新和发放；Worker：存储operator，主要负责图计算和梯度计算（TF使用Optimizer实现了自动化的梯度计算）；job：由于工作类型不同，用job_name来区分ps和workertask：对于每个worker来说，具体做什么任务（算什么图）也有可能不同，用task_index区分device：指具体的CPU/GPU，通常PS绑定到CPU上，Worker绑定到GPU上，各取所长。syncReplicaOptimizer：同步优化器，其本质仍然是用普通优化器进行梯度计算，但是通过Queue机制和Coordinator多线程协同实现了所有worker的梯度汇总和平均，最终将梯度传回PS进行参数更新。以上几个概念对于分布式的理解非常重要。当然，想要完全弄懂，还得不断的看文档和源码。源码我推荐几个python目录下非常值得看的基础类定义：framework/Ops.py：定义了Tensor、Graph、Opreator类等Ops/Variables.py：定义了Variable类

7. tensorflow implementation of the social lstm model的源代码要怎么使用

域名末端的结束语

8. 如何用tensorflow实现多任务代码？一个分类一个检索

1.稳定网络：Tensorflow毕竟自Google官文档访问稳定且般说于英文文档资料疑问Google搜索结要比Baidu（偏见各所气图电影啥百度做）

2.Github：源程序网站Linux内核网站托管Github核Git种版本控制系统已经逐渐取代SVN网站托管高质量或者说世界顶尖源项目比Tensorflow习网站何使用注册账号习Git使用网站自tutorialguide

3.Linux: Tensorflow主要运行平台Linux目前Windows运行案虚拟机深度习计算要求比较高虚拟机效率太高推荐原Linux运行新手推荐发行版Ubuntu 或者Linux mint自行搜索习Linux处源软件都only linux