Tensorflow框架-01
Tensorflow是一个编程系统：
使用图（graphs）来计算任务，图中的节点称之为op（operation），一个op获得0个或者多个tensor，执行计算，产生0个或者多个tensor，tensor看作是一个n维的数组或者列表，图必须在会话里被启动。
1 使用图（graphs）来计算任务；
2 在被称之为会话（session）的上下文（context）中执行图；
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其中获取数据；
6 Tensorflow结构：
第一个程序:
****输入：****import tensorflow as tf
m1 = tf.constant([[3,3]]) #创建一个常量op
m2 = tf.constant([[2],[3]]) #创建一个常量op
product = tf.matmul(m1,m2) #创建一个矩阵乘法op，把m1和m2传入 print(product)
输出：Tensor(“MatMul:0”, shape=(1, 1), dtype=int32)
Session：执行命令的东西；
第一个例子： import tensorflow as tf
matrix1 = tf.constant([[3,3]])
matrix2 = tf.constant([[2],[2]])
pronduct = tf.matmul(matrixl1,matrixl2) #matrix multiply np.dot(m1,m2)
#method 1
Sess = tf.Session()
result = sess.run(product)
print(result)sess.close()
第二个例子：with tf.Session() as sess:
result2 = sess.run(product)
print(result2)
使用variable： 要定义变量，和python中不一样。
import tensorflow as tf
state = tf.Variable(0,name=‘counter’)
print(state.name)
one = tf.constant(1)
new_value = tf.add(state , one)
update = tf.assign(state,new_value)
init = tf.initialize_all_variable() #must have if define variable
with tf.Session() as sess:
sess.run(init) for _in range(3):
sess.run(update)
print(sess.run(state))
****使用placeholder：****只能处理float32形式，所以默认float32形式，用这个意思就是在sess.run在给它赋值；import tensorflow as tf input1 = tf.placeholder(tf.float32)input2 = tf.placeholder(tf.float32) output = tf.multiplyl(input1,input2)with tf.Session() as sess: print(sess.run(output,feed_dict={input1:[7.],input2:[2.]}))
激励函数（activation functions）
为什么需要激励函数：为了解决现实生活中不能用线性方程概括的问题。
Linear和Norlinear(线性问题和非线性问题)神经网络：
y=Wx（） Y=AF（Wx）
AF：就是激励函数，另外一个非线性方程，强行把线性方程扭成非线性问题。
自己写的激励函数，要会微分，误差反向传递，只要微分才能传递反向误差；不能随便用：会有梯度爆炸和梯度消失的问题。
少量层结构：多种选择。
卷积神经网络：relu。
循环神经网络：relu、tanh 。
Tensorflow：
Input：输入层
Layer1：隐藏层
Layer2：第二个隐藏层；激励函数就在此层；把layer1中输入进来得值进行加工，看是不是要被激活，layer2将要输出得值经过一个激励函数，筛选一下，看哪些值要被layer2所激励，继续传递，作为一个预测值。
Predictions：预测值
Cross_entropy：和真实值得对比