基于TensorFlow的深度学习入门，TensorFlow基本函数和用法

前言：

  思索了很久，我觉得需要一篇这样的文章，帮助大家边熟悉TensorFlow边复习深度学习。

一、TensorFlow

  TensorFlow是一张计算的图，图上标满了计算节点和向量，跟着这些矢量一步一步往下计算就成了一个计算的流；如下图所示。而整张计算图并不是，随着一行Python代码计算而一步一步往下走，实际上，Python代码并不会切实计算，所有的参数只是真实值得一个引用，也就是说，Python代码只是在描绘这张计算图，并没有切实参与计算。只有当这张计算图“启动”之后，才会开始计算。

  Python代码是什么，举一个简单的例子，如何描述这张图：

import tensorflow as tf
a = tf.constant([1,2],name="a")
b = tf.constant([2,3],name="b")
result = a + b

描述完之后如何启动这张计算图？

#创建一个会话session
with tf.Session() as sess:
  sess.run(result)

通过这样，就可以知道，TensorFlow的运行确实有些许不同，但是往下使用，就会发现，除了这些区别，没有什么特别难理解的复杂操作。

二、深度学习

深度学习的“hello world”就是MNIST，但是我偏偏不拿它来做第一个例子，不是任性，而是换一种新鲜的血液，且多一个对比。假设要用深度学习来区分蓝点和黄点：

  影响黄色和蓝色的因素，我们假设为温度和湿度，OK，这样的话，我们就要引入第一个概念：特征向量。“在机器学习中，所有用于描述实体的数字的组合就是一个实体的特征向量。”用这个做例子，特征向量就是（温度，湿度），两维，记作（X1，X2）。这个例子很简单，我们肉眼都能看到两者对结果的影响就是象限--但是机器不知道，怎么让机器更明确知道内在的关系与逻辑？--深度学习。于是我们想通过三层简单的网络，使得机器理解这个逻辑：

    第一层就是输入层，就是我们的特征向量；第二层是隐藏层，第三层是输出层。

  隐藏层的向前传播

    输入层和输出层之间的都是隐藏层，一个隐藏层对应一个矩阵，这个矩阵记录这一些参数，层与层之间的运算就是就是矩阵相乘。

上面每一个点就是一个节点、或者说神经元，然后蓝色的节点功能就是对各