20191125——关于tensorflow

只利用numpy编写神经网络是多么麻烦。编写一个简单的一层前馈网络的代码尚且需要40多行代码，当增加层数的时候，编写代码将更加困难，执行时间也会更长。

tensorflow使这一切变得简单，缩短了想法到部署的时间。本教程中，使用tensorflow实现深度学习神经网络。

开源学习库tensorflow允许将深度神经网络的计算部署到任意数量的CPU和GPU的服务器上，且只利用一个API。

包括tensorflow在内的大多数深度学习库能够自动求导，开源，支持多种CPU、GPU，拥有预测模型，并支持常用的NN架构，如递归神经网络RNN，卷积神经网络CNN和深度置信网络DBN

下载与安装

网上教程很多，我没有建立虚拟环境，直接在公共环境中安装tensorflow，方便pycharm import

第一个tensorflow程序

import tensorflow as tf
def tensorflow_demo():
    """
    Tensorflow的基本结构
    :return:
    """
    #原生python
    a = 2
    b = 3
    c = a + b
    print("普通加法运算的结果：\n",c)

    # tensorflow 加法运算

    a_t  = tf.constant(2)
    b_t = tf.constant(3)
    c_t = a_t + b_t
    print("Tensorflow加法运算的结果",c_t)
    return  None


if __name__ =="__main__":
    # 代码1： Tensor的基本基础结构
    tensorflow_demo()

结果并不是一个具体的值

我们需要开启一个会话

tensorflow结构分析
tensorflow由两个阶段构成的。
一个叫构建图一个叫执行图

在构建阶段，数据和操作的执行步骤被描述成一个图。
在执行阶段，使用会话执行构建好的图中的操作。

图：这是tf将计算表示为指令之间的依赖关系的一种表示
会话：tf跨一个或者多个本地或远程设备运行数据流图的机制

张量：tf中基本数据对象
节点：提供图当中执行的操作