（一） TensorFlow 学习之基础概念

1.TensorFlow是一个基于计算图（Computational Graph,也称数据流图 Data flow Graph）的数值计算系统。

2.计算图是一个有向图，图中节点代表数学计算操作的算子（简称op），节点之间连接的边代表参与计算的高维数组数据，叫做tensor，因此，计算图的执行可以看做数据tensor按照图的拓扑顺序，从输入节点逐步流过所有中间节点，最终流到输出节点的过程。

3.tensor(张量)代表多维数组，对应神经网络计算中的多维矩阵。tensor可以有任意维度，每一维度也可以有任意长度。tensor的元素可以是任意内置类型，常用的有int32,int64,float32,float64，等。神经网络中通常使用float32。

4.op(算子)是参与计算的基本单位，每个算子都对应一种数学运算，如矩阵加法，矩阵乘法，算子接受0个或多个tensor作为输入，进行一定计算，输出0个或多个tensor的结果。

5.TensorFlow的计算图对有向图的概念进行了一些扩展，加入了图的状态表示。所谓图的状态就是图中所有参数组合。在TensorFlow中，以变量（Variable）来储存参数值。变量可以参与各种运算，区别在于tensor的值在每次训练完之后立即被丢弃，而变量的值在通过反向传播计算更新后会保留下来，代入下一轮训练迭代。

6.Session是驱动TensorFlow系统进行计算交互的吐口。Session负责完成多计算设备或集群分布式的节点布置和数据传输节点的添加，并负责将制图分配给相应的执行器单元来运行。