TensorFlow核心概念

　　综述：TensorFlow中的计算可以表示为一个有向图，或称计算图，其中每一个运算操作将作为一个节点，节点间的链接叫做边。这个计算图描述了数据的计算流程，它也负责维护和更新状态，用户可以对计算图的分支进行条件控制和循环操作。计算图中的每一个节点可以有任意多个输入和输出，每一个节点描述了一种运算操作，节点可以算是运算操作的实例化。在计算图的边中流动的的数据被称为张量。

　　1.计算图

　　TensorFlow是一个通过计算图的形式来表述计算的编程系统。每一个计算都是计算图的一个节点，而节点间的边描述了计算之间的依赖关系。

　　2.TensorFlow的数据模型-张量

　　TensorFlow用张量这种数据结构来表示所有的数据.你可以把一个张量想象成一个n维的数组或列表.一个张量有一个静态类型和动态类型的维数.张量可以在图中的节点之间流通.

　　3.TensorFlow的运行模型-会话

　　会话（Session）用来执行定义好的运算。会话拥有并管理TensorFlow程序运行时的所有资源。当所有计算完成后需关闭会话来帮助系统回收资源。使用会话的方式一般有两种：

　　　(1)sess = tf.Session()

　　　　sess .run(...)

　　　　sess.close()

　　　　//因异常退出可能会未执行关闭会话的语句

　　（2）with tf.Session() as sess:

　　　　sess.run(...)

　　　　//执行完自动关闭会话

　　4.变量

　　变量是一类特殊的运算操作，它可以将一些需要保留的tensor储存在内存或显存中，比如神经网络中的系数。当训练模型时，用变量来存储和更新参数。通常会将一个统计模型中的参数表示为一组变量. 例如, 你可以将一个神经网络的权重作为某个变量存储在一个 tensor 中. 在训练过程中, 通过重复运行训练图, 更新这个 tensor.

TensorFlow的基本使用

　　1.构建图

　　　　import tensorflow as tf

　　　　# 创建一个常量 op, 产生一个 1x2 矩阵. 这个 op 被作为一个节点

　　　　# 加到默认图中.

　　　　# 构造器的返回值代表该常量 op 的返回值.

　　　　matrix1 = tf.constant([[3., 3.]])

　　　　# 创建另外一个常量 op, 产生一个 2x1 矩阵.

　　　　matrix2 = tf.constant([[2.],[2.]])

　　　　# 创建一个矩阵乘法 matmul op , 把 'matrix1' 和 'matrix2' 作为输入.

　　　　# 返回值 'product' 代表矩阵乘法的结果.

product = tf.matmul(matrix1, matrix2)

　　2.在一个会话中启动图

　　这个使用在上一点会话中有提到的两种方法。