最近在自學機器學習相關知識，感覺Google出的TensorFlow有一定的發展前途，於是進行了解了一下

TensorFlow官方介紹漢化版：http://bigdata.rzaixian.com/tensorflowzh/publish/get_started/introduction/

Tf就像是一個動作構成的樹，就像太極拳一樣，你必須從一個動作開始新增動作，並形成一套動作，這些動作的組合形成一個運算的步驟，這一點跟面對過程語言很像，不過它是實際上建立圖並圍繞圖運作的

寫作Tf就是一個計算模型，你根據資料（比如在平面上給出一些點的座標）和推導建模（比如假設用n次冪的線分割），建模完成後選擇優化方法（所有的優化方法都已經提供，只需要選擇相應的優化函式），在建模的時候，為了TF可以對後續的計算進行優化，並行等目的，所有的op都要用tf提供的op（比如tf.sub而不是“-”）

通常工作步驟：

1.建立常量或者變數 tf.constant([[3., 3.]]) tf.Variable(0, name="counter") 2.建立op圖（也就是模型） 第一個op稱為源 op

new_value = tf.add(state, one)

或者

state = tf.Variable(0, name="counter")

後面的op可以使用前面的op作為引數
update = tf.assign(state, new_value)

product = tf.matmul(matrix1, matrix2)

比如最終變成這樣

y = tf.nn.softmax(tf.matmul(x,W) + b)

3.選擇模型優化的方法

train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

4.啟動圖

預設圖：

sess = tf.Session()

5.初始化

如果有變數，首先必須增加一個`初始化` op 到圖中.

init_op = tf.initialize_all_variables() 6.啟動圖, 執行源 op 如果有變數：執行變數的初始化op
sess.run(init_op) 執行源 op sess.run(state) 這將返回一個計算結果 7.繼續執行 op, 更新源op進行訓練 比如：（update見上面，是一個更新原函式的op） sess.run(update)
print sess.run(state) （執行的時候會輸出結果） 8.通過獲取節點fetch獲取計算結果 可以同時獲取多個所需節點  result = sess.run([mul, intermed])
9.插入節點feed TensorFlow 還提供了 feed 機制, 該機制 可以臨時替代圖中的任意操作中的 tensor 可以對圖中任何操作提交補丁, 直接插入一個 tensor.

print sess.run([output], feed_dict={input1:[7.], input2:[2.]})

10.任務完成, 關閉會話.

sess.close()

Tensorflow多機並行優化：

通過拆分operater並估算各個operater的時間，分配到不同的硬體實現，不同硬體的協同通過傳送接受tensor實現

Tensorflow的checkpoint機制：

所有variable node會連線到一個restore node，重啟後會從checkpoint恢復