以下练习题来自机器学习实战：基于Scikit和Tensorflow一书。

  1. 相比直接执行计算，创建计算图的最大优点是什么？最大的缺 点呢？
    答：主要优点：1.TensorFlow可以自动计算梯度（通过反向的autodiff）2.TensorFlow负责在不同的线程中并行执行各个操作3.它可以更容易地在多设备上运行同一个模型 4.它简化了查看，比如，在TensorBoard上查看模型
    主要缺点： 1.学习曲线陡峭 2.逐步的调试比较困难

  2. 语句a_val=a.eval（session=sess）和a_val=sess.run（a）等价吗？
    答：是的，语句a_val=a.eval（session=sess）和a_val=sess.run（a） 完全相等。

  3. 语句a_val，b_val=a.eval（session=sess），b.eval（ses sion=sess）和a_val，b_val=sess.run（[a，b]）等价吗？
    答：语句a_val，b_val=a.eval（session=sess），b.eval（ses sion=sess）不等于a_val，b_val=sess.run（[a，b]）。第一条语句会运 行两次（第一次计算a，第二次计算b），而第二条语句只运行一次。 如果这些操作（或者它们依赖的操作）中的任意一个具有副作用（比 如，修改一个变量，向队列中插入一条记录，或者读取一个文件 等），那么效果就会不同。如果操作没有副作用，那么语句会返回同 样的结果，不过第二条语句会比第一条快。

  4. 你可以在同一个会话中运行两个图吗？
    答：你无法在同一个会话中运行两个计算图。你需要将两个图合并为一个大图

  5. 假设你创建了一个包含变量w的图，然后在两个线程中分别启 动一个会话，两个线程都使用了图g，每个会话会有自己对w变量的 拷贝，还是会共享变量？
    答：在本地TensorFlow中，会话用来管理变量的值，如果你创建了 一个包含变量w的图g，然后启动两个线程，并在每个线程中打开一 个本地的会话，这两个线程使用同一个图g，那么每个会话会拥有自 己的w的拷贝。如果在分布式的TensorFlow中，变量的值则存储在由 集群管理的容器中，如果两个会话连接了同一个集群，并使用同一个 容器，那么它们会共享变量w。

  6. 变量何时被初始化，又在何时被销毁？
    答： 变量在调用其初始化器的时候被初始化，在会话结束的时候被 销毁。在分布式TensorFlow中，变量存活于集群上的容器中，所以关 闭一个会话不会销毁变量。要销毁一个变量，你需要清空它所在的容 器。

  7. 占位符和变量的区别是什么？
    答：变量是包含一个值的操作。你执行一个变量，它会返回对应的 值。在执行之前，你需要初始化变量。你可以修改变量的值（比如， 通过使用赋值操作）。变量有状态：在连续运行图时，变量保持相同 的值。通常它被用作保存模型的参数，不过也可以用作其他用途（比 如，对全局训练的步数进行计数）。
    占位符则只能做很少的事儿：它们只有其所代表的张量的类型 和形状的信息，但没有值。事实上，如果你要对一个依赖于占位符的 操作进行求值，你必须先为其传值（通过feed_dict），否则你会得到 一个异常。占位符通常在被用作在执行期为训练或者测试数据传值。 在将值传递给赋值节点以更改变量的值时（例如，模型的权重），占 位符也很有用。

  8. 如果对一个依赖于占位符的操作求值，但是又没有为其传值， 会发生什么？如果这个操作不依赖于占位符呢？
    答: 如果运行计算图来求值一个依赖于占位符的操作，但不提供 值，则会发生异常。如果操作不依赖于占位符，则不会引发异常

  9. 运行一个图时，可以为任意操作输出值，还是只能输出占位符 的值？
    答：当你运行一个图时，可以提供任何操作的输出值，而不仅仅是 占位符的值。在实践中，这种情况很少见（有时候会是有用的，比如 你要缓存冷冻层的输出时）。

  10. 在执行期，你如何为一个变量设置任意的值？
    答：你可以在构造一个图时指定变量的初始值，它会在后边的执 行期运行变量初始化器的时候被初始化。如果你想在执行期修改变量 的值，那么最简单的方式是使用tf.assign函数创建一个赋值节点（在 图的构造期），将变量和一个占位符传入作为参数。这样，你可以在 执行期运行复制操作来为变量传入新值。

import tensorflow as tf

x = tf.Variable(tf.random_uniform(shape=(), minval=0.0, maxval=1.0))
x_new_val = tf.placeholder(shape=(), dtype=tf.float32)
x_assign = tf.assign(x, x_new_val)

with tf.Session():
    x.initializer.run()
    print(x.eval())  # 0.7697661
    x_assign.eval(feed_dict={x_new_val: 5.0})
    print(x.eval())  # 5.0

  1. 反向模式autodiff需要多少次遍历图形才能计算10个变量的成 本函数的梯度？正向模式autodiff怎么样？符号微分呢？
    答：要计算任意数量变量的成本函数的梯度，反向模式的autodiff 算法（由TensorFlow实现）只需要遍历两次图。作为对比，正向模式 的autodiff算法需要为每个变量运行一次（如果我们需要10个不同变 量的梯度，那么就需要执行10次）。对于符号微分，它会建立一个不 同的图来计算梯度，所以根本不会遍历原来的图（除了在建立新的梯 度图时）。一个高度优化的符号微分系统可能只需要运行一次新的梯 度图来计算和所有变量相关的梯度，但与原始图相比，新的图可能是 非常复杂和低效的。

  2. 用小批量梯度下降法来实现逻辑回归。用月亮数据集来训练 和评估。尝试下面这些任务：
    ·在函数logistic_regression（）中定义可以被复用的图。 ·在训练过程中，定期地通过Saver将检查点保存起来，并将最后 的模型保存起来。
    ·如果训练被终止了，恢复之前保存的模型。
    ·用合理的作用域来定义图，使得其在TensorBoard上看起来比较 漂亮。
    ·添加汇总信息以在TensorBoard中可视化学习曲线。 ·调整诸如学习速率和批次大小等超参数，并查看学习曲线的形状。