TensorFlow框架--张量，计算图和会话

搭建第一个神经网络，总结搭建八股

https://blog.csdn.net/pandamax/article/details/63684633

关于对张量的理解

基于Tensorflow的NN（神经网络）：

1. 张量表示数据
2. 计算图搭建神经网络
3. 会话执行计算图，并优化线上的权重（参数）
4. 得到模型

张量（tensor）：多维数组（列表） 阶：张量的维数

维数      阶        名字                  例子

0-D        0       标量scalar          s=1,2,3

1-D        1       向量vector          v=[1,2,3]

2-D        2       矩阵matrix          m=[[1,2,3],[4,5,6],[7,8,9]]

n-D        n       张量tensor          t=[[[...--多少个【，多少个n

              张量表示0阶到n阶数组（列表）

数据类型：tf.float32 tf.int32 ...

import 

import tensorflow as tf
a=tf.constant([1.0,2.0]) #定义常量为一维数组：一行一列--一种大类被有两种元素
b=tf.constant([3.0,4.0])
result=a+b
print result

显示：Tensor（“add:0”,shape=(2,),dtype=float32）

add:0--节点名：第0个输出 shape：维度 （2，）一维数组长度为2 dtype：数据类型

计算图（Graph）：搭建神经网络的计算过程，只搭建，不运算。

import tensorflow as tf
x=tf.constant([[1.0,2.0]])
#定义常量为一行两列的二维数组
w=tf.constant([[3.0],[4.0]])
#定义常量为两行一列的二维数组
y=tf.matmul(x,w)
#矩阵相乘运算
print(y)

 显示：Tensor("matmul:0",shape(1,1),dtype=float32)   

    会话（Session）：执行计算图的节点运算

with tf.Session() as sess:print sess.run(y)

import tensorflow as tf

x=tf.constant([[1.0,2.0]])
w=tf.constant([[3.0],[4.0]])

y=tf.matmul(x,w) 

with tf.Session() as sess:
     print sess.run(y)

结果：

[[11.]]---一行一列的二维数组