Tensorflow之基本概念

TensorFlow™ 是一个采用数据流图（data flow graphs），用于数值计算的开源软件库。节点（Nodes）在图中表示数学操作，图中的线（edges）则表示在节点间相互联系的多维数据数组，即张量（tensor）。

1. 使用图（graph）来表示计算任务。
2. 在被称之为会话（Session）的上下文种执行图。
3. 使用tensor表示数据。
4. 通过变量（Variable）维护状态。
5. 使用feed和fetch可以为任意的操作赋值或者从中获取数据。
   Tensorflow是开源的人工智能软件库，使用图（graphs）来表示计算任务，图中的节点（nodes）称之为op（mathematical operations），一个op获得0个或多个Tensor，执行计算，产生0个或多个Tensor。边表示多维数据数组(张量)在节点之间流通，Tensor看作是一个N维的数组或列表。图必须在会话（Session）里被启动。
   
   在一个会话中执行graph1和graph2：

下面通过程序看看tensorflow的基本使用：

import tensorflow as tf
# 创建一个常量 op
m1 = tf.constant([[3,3]])
# 创建一个常量 op
m2 = tf.constant([[2],[3]])
# 创建一个矩阵乘法op，把m1和m2传入
product = tf.matmul(m1,m2) #得到一个1X1的tensor
# 定义一个会话，启动默认图
sess = tf.Session()
# 使用sess的run方法来执行矩阵乘法op
# run(product)触发了图中3个op
result = sess.run(product)
sess.close() # output = 15

另一种定义会话的方法：

with tf.Session() as sess:
	result = see.run(product)

tensorflow变量定义，变量定义后值可变而维度不可变。在神经网络中，变量一般可作为储存权重和其他信息的矩阵

x = tf.Varaible([1,2])

tensorflow占位符：占位符并没有初始值，只会分配必要的内存。在会话中，占位符可以使用 feed_dict 进行数据的feed。
feed_dict 是一个字典，在字典中需要给出每一个用到的占位符的取值。在训练神经网络时需要每次提供一个批量的训练样本，如果每次迭代选取的数据要通过常量表示，那么 TensorFlow 的计算图会非常大。因为每增加一个常量，TensorFlow 都会在计算图中增加一个结点。所以说拥有几百万次迭代的神经网络会拥有极其庞大的计算图，而占位符却可以解决这一点，它只会拥有占位符这一个结点。

在tensorflow中Everything is Tensor：

Tensor的类型：



TensorFlow Mechanics