一.基本概念

TensorFlow是一個開源資料庫，用於使用資料流圖進行數值計算。圖中的節點表示數學運算，而圖邊表示在它們之間傳遞的多維資料陣列（張量，tensor）。

• 圖（graph）來表示計算任務
• 在被稱之為會話（Session）的上下文（context）中執行圖
• tensor表示資料
• 使用feed和fetch可以為任意的操作賦值或從其中獲取資料

圖中的一個節點稱之為op(operation),一個op可以獲得0個或多個tensor，執行計算產生0個或多個tensor（一個n維的陣列或列表），graph必須在Session中被啟動。

二.主要資料結構—-張量

• 在tensorflow中，一個張量就是一個張量類的例項，是綁定了相關運算的一個特定型別的多維陣列。
• 所有的張量都有一個靜態的型別和動態的維數

1.張量的階rank
階為1的張量等價為向量，2為矩陣…
2.張量的形狀shape
3.張量的資料型別type
4.建立新的張量
既可以從numpy中繼承，也可以建立
tf.convert_to_tensor:該方法將python物件轉化為tensor物件，他的輸入可是tensor物件，numpy陣列，Python列表和python標量

三.TensorFlow的資料流圖

• 符號化的表示了模型的計算是如何工作的。
• 計算圖（computing graph）通常並不需要直接構建Graph物件，而是由使用者在建立張量（tensor）和操作（op)時自動建立的。
• 張量建構函式（如tf.constant()）將向預設的計算圖新增必要的元素
  c=tf.matmul(a,b)建立一個matmul型別的操作
  tf.Operation.type 返回操作的型別
  tf.Operation.inputs 輸入張量物件列表
  tf.Graph.get_operations() 計算圖中的操作列表
  tf.Graph.version 返回計算圖的版本資訊

四、資料供給機制Feed

• 將feed的資料作為引數傳入run函式
  最常見：tf.placeholder()建立特點的feed操作的方法

五、變數

• 特殊的操作，返回一個持久的、可變的張量控制代碼，存活於多次計算圖執行之中。
• 模型的引數通常儲存於常量中，在訓練階段被更新。
  tf.Variable()
• 所有的變數需要初始化
  tf.global_variables_initializer()

六、儲存資料流圖

協議快取（protocol buffers）
tf.Graph.as_graph_def(from_version=None,add_shapes=False):返回一個序列化的計算圖表示GraphDef。

七、執行我們的程式——會話

Session物件是執行環境的表示。
s = tf.Session().run()