简介
本文旨在知道您使用低级别TensorFlow API（TensorFlow Core）开始编程。您可以学习执行以下操作：
- 管理自己的TensorFlow程序（tf.Graph）和TensorFlow运行时（tf.Session），而不是依靠Estimator来管理它们
- 使用tf.Session运行TensorFlow操作
- 在此低级别环境中使用高级别组件（数据集、层和feature_columns）
- 构建自己的训练循环，而不是使用Estimator提供的训练循环
我们建议尽可能使用高阶的API构建模型。以下是TensorFlow Core为何很重要的原因：
- 如果您能够使用低阶TensorFlow操作，实验和调试都会更直接
- 在使用高阶的API时，能够理解其内部的工作原理
设置
在使用本教程之前，请先安装TensorFlow。
要充分理解本指南中的内容，您应当具备以下方面的知识：
- 如何使用Python编程
- 对阵列有所了解
- 理想情况下，最好对机器学习有一定的了解
您随时启动python，并按照以下演示进行操作。运行以下行来设置你的python环境：
1 from __future__ import absolute_import 2 from __future__ import division 3 from __future__ import print_function 4 5 import numpy as np 6 import tensorflow as tf
张量值
TensorFlow的核心数据单位是张量。一个张量由一组形成阵列（任意维数）的原始值组成。张量的阶是它的维数，而它的形状是一个整数元组，指定了阵列每个维度的长度。以下是张量值的一些示例：
1 3. # a rank 0 tensor; a scalar with shape [], 2 [1., 2., 3.] # a rank 1 tensor; a vector with shape [3] 3 [[1., 2., 3.], [4., 5., 6.]] # a rank 2 tensor; a matrix with shape [2, 3] 4 [[[1., 2., 3.]], [[7., 8., 9.]]] # a rank 3 tensor with shape [2, 1, 3]
TensorFlow使用numpy阵列来表示张量值。
TensorFlow Core演示
您可以将TensorFlow Core程序看作由两个相互独立的部分组成：
- 构造计算图（tf.Graph）
- 运行计算图（tf.Session）
图
计算图是排列成一个图的一系列TensorFlow指令。图由两种类型的对象组成：
- 操作（简称“op”）：图的节点。操作描述了消耗和生成张量的计算。
- 张量：图的边。它们代表将流经图的值。大多数TensorFlow函数会返回tf.Tensors。
重要提示：tf.Tensors 不具有值，它们只是计算图中元素的手柄。
我们来构建一个简单的计算图