Tensorflow 基础教程（1）

在使用Tensorflow之前先了解下Tensorflow的几个基础知识：
1 使用图（graph）来表示计算
2 在回话（session）中执行图
3 使用张量（tensor）来代表数据
4 通过变量（Variables）维护状态
5 通过供给（feeds）和取回（fetches）将数据传入或传出任何操作

实际上，可以将编写Tensorflow代码总结为两部：
1 组装一个graph
2 使用Session来执行graph中的operation

1 graph and Session
(1) 计算图
假设需要计算一个表达式（$e=(a+b)*(b+1)$），包含两个加法和一个乘法。
当需要计算e时就需要计算$c=a+b$ 和$d=b+1$，而计算c时就需要计算a与b，计算d时就需要计算b。这样就形成了依赖关系，这种有向无环图就叫做计算图。
（2）概念说明
Tensor: 类型化的多维数组，可以看作为图的边
operation：执行计算的单元，图的点
graph：一张有边和点的图，其表示了需要进行计算的任务。
session：会话，用于执行图

注意：
graph仅仅定义了所有operation和tensor的流向，没有进行任何计算。而session根据graph的定义分配资源，计算operation，得出结果。每个operation至少有0个输入，0个输出。tensor就是其输入输出，并且除了Variable指向的tensor外所有的tensor在流入下一个节点后都不再保存。

2 数据结构
（1）rank 张量的阶
rank一般指数据的纬度，其与线性代数的rank不一样，

Rank	数学形式
0	常量 scalar
1	向量 vector
2	矩阵 matrix
3	3维tensor（如图片 32*32*3）

(2) shape 形状
（3）数据类型
其中： tf.uint8 : 8位无符号。 tf.int8 8位有符号

3 Variables
（1） 当训练模型时，需要使用Variables保存与更新参数。Variables保存在内存中，所有tensor一旦拥有Variables的指向，就不会在session中丢失。可利用tf.Variable()来进行初始化
（2） 初始化
实际在初始化中做了好多工作：初始化空间，赋初值（等价于tf.assign），并把Variable添加到graph等。
初始化操作是在计算前，一般在定义graph时定义graph时定义global_variables_initializer，会在session运算时，初始化所有变量，如果仅仅想初始化部分变量，使用tf.variables_initializer

4 placeholder和feed_dict
定一张图时，有时候需要手动输入一些值，这时就需要placeholder和feed_dict了。
先定义一个placeholder，tf.placeholder(dtype, shape, name)
再利用feed_dict赋值： sess.run(result, feed_dict={a:.., b:…})