準備轉載 幾篇文章 原文鏈接：
https://www.cnblogs.com/wanyu416/p/8954098.html
一、Tensorflow基本概念
1、使用圖（graphs）來表示計算任務，用於搭建神經網絡的計算過程，但其只搭建網絡，不計算
2、在被稱之爲會話（Session）的上下文（context）中執行圖
3、使用張量（tensor）表示數據，用“階”表示張量的維度。關於這一點需要展開一下
0階張量稱爲標量，表示單獨的一個數
1階張量稱爲向量， 表示一個一維數組
2階張量稱爲矩陣，表示一個二維數組
……
張量是幾階的可以通過張量右邊的方括號數來判斷。例如 t = [ [ [ ] ] ]，顯然這個爲3階。
4、通過變量（Variable）維護狀態
5、使用feed和fetch可以爲任意的操作賦值或者從其中獲取數據
Tensorflow是一個編程系統，使用圖（graphs）來表示計算任務，圖（graphs）中的節點稱之爲op（operation），一個op獲得0個或者多個Tensor，執行計算，產生0個或多個Tensor，Tensor看作是一個n維的數組或列表。圖必須在會話（Session）裏被啓動。
二、tensorflow基本框架知識
1、會話
1 import tensorflow as tf # 簡寫方便一點 2 3 # 創建兩個常量(constant) 4 m1=tf.constant([[3,3]]) #一行兩列的矩陣，這裏是矩陣乘法，所以是二維數組，注意書寫格式以及矩陣乘法規則 5 m2=tf.constant([[2],[3]]) #兩行一列的矩陣 6 7 # 創建一個矩陣乘法(matmul)的op 8 product=tf.matmul(m1,m2) 9 print(product)
運行會得到顯示結果，其中MatMul爲節點名，0代表第0個輸出；shape是維度，（1，1）代表一行一列的張量，長度爲1；dtype指數據類型爲整型。
Tensor("MatMul:0", shape=(1, 1), dtype=int32)
結果並不是想象中的是一個具體數字，而是一個Tensor，這是因爲之前提到過 圖必須在會話中運行，現在我們並未使用會話，所以只能得到一個Tensor。
定義會話有兩種方法，一般使用第二種。
1 # method 1 2 sess=tf.Session() # 將Session簡寫爲sess 3 result=sess.run(product) # 調用run方法執行圖，這個觸發了三個op(操作)，兩個常量的建立，矩陣的乘法 4 print(result) 5 sess.close() # 關閉會話
1 # method 2 2 with tf.Session() as sess: # Session()後面的()因爲代碼提示裏沒有，所以很容易丟 3 result=sess.run(product) 4 print(result) # with as的這種結構會自動關閉會話
運行顯示結果爲
[[15]]
注意：Session() 經常會寫錯，大小寫問題和括號問題，都是典型錯誤，多加練習
2、變量
上文常量使用tf.constant()表示，變量是用tf.Variable()表示
1 import tensorflow as tf 2 3 x=tf.Variable([1,2]) # 定義一個變量，這裏是張量的加減法，所以一維數組即可 4 a=tf.constant([3,3]) # 定義一個常量 5 6 sub=tf.subtract(x,a) # 增加一個減法op 7 add=tf.add(x,sub) # 增加一個加法op 8 9 init=tf.global_variables_initializer() # 在tensorflow中使用變量要初始化，此條語句也可以初始化多個變量，這句代碼提示沒有(),多加練習 10 11 with tf.Session() as sess: 12 sess.run(init) # 變量初始化，也要放在會話中，才能執行 13 print(sess.run(sub)) 14 print(sess.run(add))
運行將得到結果
[-2 -1] [-1 1]
上述代碼展示了變量的定義和初始化，但還沒有體現變量的本質，下面一段代碼實現變量a進行5次+1的操作
值得一提的是，在打印常量和變量時，不能像python中的直接print(a)，而是也需要放在sess.run()中。
1 a=tf.Variable(0,name='counter') # 創建一個變量初始化爲0，並命名爲counter。（此段代碼中命名無作用） 2 new_value = tf.add(a,1) # 創建一個加法op，作用是使state加1 3 update=tf.assign(a,new_value) # 此句話是賦值op，在tensorflow中，賦值也需要對應的op 4 init=tf.global_variables_initializer() # 變量初始化 5 with tf.Session() as sess: 6 sess.run(init) 7 print(sess.run(a)) 8 for i in range(5): 9 sess.run(update) 10 print(sess.run(a))
運行，顯示結果爲
0 1 2 3 4 5
注意：初始化時，pycharm會代碼提示 tf.global_variables_initializer，但往往會把括號漏掉，需注意
常用的op現在除了加減乘除，還多了個assign()的賦值op
3、Fetch
sess.run([fetch1,fetch2]) 進行多個op，注意格式
1 import tensorflow as tf 2 3 input1 = tf.constant(3.0) 4 input2 = tf.constant(2.0) 5 input3 = tf.constant(5.0) 6 7 add = tf.add(input2,input3) 8 mul = tf.multiply(input1,add) 9 10 with tf.Session() as sess: 11 result = sess.run([mul,add]) # 執行了兩個op，要注意格式 12 print(result)
運行，結果顯示爲
[21.0, 7.0]
這裏需要提一下tf.matmul()是用於矩陣乘法，tf.multiply是用於點乘。正如上面這段代碼的multiply
4、placeholder佔位
定義變量時可先不輸入具體數值，先佔位，在會話中調用op時，再輸入具體值。
import tensorflow as tf
input1 = tf.placeholder(tf.float32) # 使用placeholder()佔位，需要提供類型
input2 = tf.placeholder(tf.float32)
output = tf.multiply(input1,input2)
with tf.Session() as sess:
print(sess.run(output,feed_dict={input1:8.0,input2:2.0})) # 以字典形式輸入feed_dict
運行，顯示結果爲
[ 16.]
佔位多組數據以後再說在下一篇隨筆會提到。
以上就是一些比較基本的tensorflow概念的描述和代碼實現。
本人初學者，有錯誤歡迎指出。感謝。
