我们常说不要重复的造轮子，要尽可能的利用已有的成熟框架，毕竟站在巨人的肩膀上看世界，将会看的更远看的更多。目前，工业界和学术界已经提供了很多开源的神经网络实现如Caffe、Tensorflow、Keras、PyTorch等等，这些框架的功能非常强大，底层的实现细节框架已经帮我们做好，我们只需要定义自己的需求就行。
要说目前最为成熟、社区基础最为雄厚的深度学习框架，非Google出品的tensorflow莫属。
Tensorflow的命名源于其运行原理，Tensor本意为张量，通常表示多维矩阵，在深度学习项目中，数据大多高于二维，多维也是深度学习处理数据的核心特征。Flow本意为流动，即基于数据流图的计算。合在一起，Tensor Flow，张量从数据流图的一端流动到另一端的计算过程。
总体来讲，基于TensorFlow搭建的神经网络：用张量表示数据，用计算图搭建神经网络，用会话执行计算图，再优化线上的权重(参数)，得到模型。神经网络的基本模型是神经元，神经元的基本模型其实就是数学中的乘、加运算。
接下来我们认识几个基本概念：
张量：即多维数组，张量的维度用“阶“表示。
0阶张量称作标量，是一个单独的数，如s=245
1阶张量称作向量，一维数组，如x=[2,4,5]
2阶张量称作矩阵，二维数组，如y=[[2,4,5],[6,8,9]]
3阶张量,如z=[ [ [ …… ] ] ]
数据类型：tensorflow中数据类型有tf.float32、tf.int32等
例如，我们来实现下tensorflow的加法：
import tensorflow as tf
a=tf.constant([1.0,2.0])
b=tf.constant([3.0,4.0])
result=a+b
print(result)输出结果：
Tensor("add:0", shape=(2,), dtype=float32)分别定义两个张量a,b。result实现其加法运算。输出result表示是一个名称为add:0的张量，shape是一个一维数组，长度为2，dtype=float32表示数据类型为浮点型。
计算图(Graph):（也称数据流图）即在逻辑上描述一遍神经网络的计算过程，只搭建网络，不计算。
# 构建计算流图
import tensorflow as tf
a=tf.constant([[4.0,1.0]],name="input_a")
b=tf.constant([[2.0],[1.0]],name="input_b")
c=tf.matmul(a,b,name="mul_c")
print(c)
输出结果：
Tensor("mul_c:0", shape=(1, 1), dtype=float32)通过定义a,b两个2阶张量，c表示实现a,b的矩阵乘法。通过打印出的结果也是一个张量，只搭建承载计算过程的计算图，并没有运算。
会话(Session):执行计算图中的计算过程。
我们通常用“with”上下文管理器实现它，语法如下：
with tf.Session() as sess:
print(sess.run())
我们在上一个计算图中加入with结构：
import tensorflow as tf
a=tf.constant([[4.0,1.0]],name="input_a")
b=tf.constant([[2.0],[1.0]],name="input_b")
c=tf.matmul(a,b,name="mul_c")
with tf.Session() as sess:
print(sess.run(c))
输出结果：
[[9.]]了解完这四个基本概念后，我们可以运用tensorflow做一些简单的运算操作，当然，这些还远远不够，要想把神经网络玩转起来，接下来我们还要认识一些神经网络的参数，欢迎和我走进知识的海洋一起遨游~~~
