深度学习小白——TensorFlow(一)简介

我选择tensorFlow作为我学习的第一个神经网络框架，恰巧最近Tensorflow支持了windows,所以让我的学习变得更加便捷。

我的主要参考文章有

http://blog.csdn.net/u014595019/article/details/52677412

https://mp.weixin.qq.com/s/6H2FkNQSZ-qp3u5_FN5UoA

http://wiki.jikexueyuan.com/project/tensorflow-zh/

一、TensorFlow的运行流程

TensorFlow运行流程分为两步，分别是构造模型和训练。

在构造阶段，我们需要去构建一个图（Graph）来描述我们的模型，然后在session中启动它。所谓图，可以理解为流程图，就是将数据的输入输出的过程表示出来

但是此时是不会发生实际运算的，因为TensorFlow是【延迟执行（deferred execution）】模型，它必须知道你要计算什么，你的执行图，然后才开始发送计算任务到各种计算机。所以你首先使用TensorFlow函数在内存中创造一个计算图，然后启动一个执行session并且使用session.run执行实际训练任务，如梯度计算等操作，在此时，图无法被改变。

1.1基本概念

1.1.1 Tensor

Tensor的意思就是张量，我的理解就是一个维数不定的矩阵，也可以理解为tensorflow中矩阵的表示形式，tensor的生成方式有很多种，之后再详细总结，举个例子

import tensorflow as tf
a=tf.zeros(shape=[1,2])

注意：在session.run之前，所有数据都是抽象的概念，也就是说，a此时只是表示这应该是一个1*2的零矩阵，但却没有实际赋值，所以如果此时print(a),就会出现如下情况：

print(a)
#==>Tensor("zeros:0", shape=(1, 2