Tensorflow 学习笔记（1）

TensorFlow介绍：

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。TensorFlow 最初由Google大脑小组(隶属于Google机器智能研究机构)的研究员和工程师们开发出来，用于机器学习和深度神经网络方面的研究，但这个系统的通用性使其也可广泛用于其他计算领域。它是谷歌基于DistBelief进行研发的第二代人工智能学习系统。2015年11月9日，Google发布人工智能系统TensorFlow并宣布开源。

其命名来源于本身的原理，Tensor(张量)意味着N维数组，Flow(流)意味着基于数据流图的计算。Tensorflow运行过程就是张量从图的一端流动到另一端的计算过程。张量从图中流过的直观图像是其取名为“TensorFlow”的原因。

说了这么多先去官网看看直观的案例吧

看这个图不就是个神经网络嘛，所以才会用这种框架啊。

输入x1 x2就是一个个特征 中间的瘾层 输出层都可以自己添加节点，可以自己去试着玩一玩。

TensorFlow的关键点是:“Data Flow Graphs”，表示TensorFlow是一种基于图的计算框架，其中节点(Nodes)在图中表示数学操作，线(Edges)则表示在节点间相互联系的多维数据数组，即张量(Tensor)。

Tensorflow特性：

高度的灵活性:只要能够将计算表示成为一个数据流图，那么就可以使用TensorFlow。

可移植性:TensorFlow支持CPU和GPU的运算，并且可以运行在台式机、服务器、手机移动端设备等等。

自动求微分:TensorFlow内部实现了自动对于各种给定目标函数求导的方式。

多种语言支持:Python、C++

性能高度优化

为什么选择Tensorflow

Tensorflow基本概念

图(Graph):图描述了计算的过程，TensorFlow使用图来表示计算任务。

张量(Tensor):TensorFlow使用tensor表示数据。每个Tensor是一个类型化的多维数组。

操作(op):图中的节点被称为op(opearation的缩写)，一个op获得/输入0个或多个Tensor，执行计算，产生0个或多个Tensor。

会话(Session):图必须在称之为“会话”的上下文中执行。会话将图的op分发到诸如CPU或GPU之类的设备上执行。

变量(Variable):运行过程中可以被改变，用于维护状态

边的概念

TensorFlow的边即有两种连接关系:

数据依赖

控制依赖

实线边表示数据依赖，代表数据，即张量。任意维度的数据统称为张量。在机器学习算法中，张量在数据流图中从前往后流一遍就完成一次前向传播，而残差从后向前流动一遍就完成一次反向传播。

虚线边表示控制依赖，可以用于控制操作的运行，这被用来确保happens-before关系，这类边上没有数据流过，但源节点必须在目的节点开始执行前完成。

Tensorflow数据属性

Tensorflow的节点 代表一个操作 一般用来施加数字运算

使用Tensorflow必须理解下列感念：

使用图(graph)来表示计算任务；

在会话(session)的上下文中执行图；

使用tensor表示数据；

通过变量(Variable)来维护状态 ；

使用feed和fetch可以为任意的操作(Operation/op)赋值或者从其中获取数据。