Tensorflow基本开发架构

        先说句题外话， 这段时间一直研究爬虫技术，主要目的是为将来爬取训练数据做准备，同时学习python编程。这一研究才发现，python的开发资源实在是太丰富了，所有你能想到的应用都有对应的开发库提供支持，简直是无所不能。举一个简单的例子，以前认为比较难办的验证码输入，python竟然提供了多个库供我们选择以实现自动识别验证码、并自动输入，这对于爬取需输入验证码的网站非常有用。另外，对人脸识别、自然语音处理、数据挖掘等AI领域的支持也相当强大。目前主流的算法像线性回归、支持向量机、聚类、决策树、kNN等python实现比较容易，要是用C/C++可就麻烦多了，因为这些算法要用到大量的矩阵运算，python的数学库NumPy对此支持相当好。同时，像tensorflow这样的开源的深度学习库其提供的开发例程也是以python为主。所以，经过这段时间的学习，我相信python在将来一定会成为大部分程序员必须掌握的一门语言之一。当然，从现在看python的热度也已经在GitHub、StackOverflow等网站上表现出强劲的增长势头。

       本周4结束了爬虫技术的学习，自己开发了一个自动登录京东、自动下订单购买的爬虫程序作为检验自己学习成果的结业项目，感觉很不错，以后再抢东西，肯定比别人手快了，不用再熬夜抢了。现在转过头开始看tensorflow的文档，小有收获，理解了tensorflow的基本开发架构。有一点需要特别注意的是，使用tensorflow之前，必须确定自己已经安装了NumPy库，大量的算法实现都围绕这个库完成，核心就是矩阵运算，也就是线性代数要学习的内容。

        tensorflow的基本开发架构参见如下开发例程：

#-*- coding: utf-8 -*-

import tensorflow as tf
import numpy as np

#在tensorflow中，所有变量必须用tf.Variable定义，0为初始值,name为该变量名称（可选）
state = tf.Variable(0, name = 'counter')
#print(state.name)
one = tf.constant(1)

#与new_vale = state + 1等价，tf中必须用专有函数操作，且下述语句仅是定义该操作，并不执行
new_value = tf.add(state, one)
#指定将new_value的值更新到state