版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/HouszChina/article/details/85564025
环境：Ubuntu 16.04，Python 3，Tensoflow-gpu v1.9.0 ，CUDA 9.0
1. 张量（Tensor）
张量（tensor）：多维数组（列表）
阶：张量的维数
例如：
| 阶 | 名称 | 例子 |
|---|---|---|
| 0 | 标量（scalar） | s = 123 |
| 1 | 向量（vector） | s = [1, 2, 3] |
| 2 | 矩阵（matrix） | s = [[1, 2, 3], [4, 5, 6]] |
| n | 张量（tensor） | t = [[[ … |
实例：张量的加法
实现两个张量a和b的加法：
import tensorflow as tf
# tf.constant()表示定义常量
a = tf.constant([1.0, 2.0])
b = tf.constant([3.0, 4.0])
result = a + b
print(result)
输出result：
Tensor("add:0", shape=(2,), dtype=float32)
各部分解释：
add：add节点0：第0个输出shape：维度2：一维数组的长度为2dtype=float32：数据类型为32位浮点数
2. 计算图（Graph）
上述代码描述的其实是一个计算过程，也称计算图。
运行结果是一个张量，并不实际运算其具体值。
计算图（Graph）：搭建神经网络的计算过程，只搭建，不运算。
下图表示一个计算节点，节点中y = X1 * w1 + X2 * w2，w即是权重（weight）。
计算图就是承载一个或多个计算节点的计算过程。计算节点也正是神经元的基本抽象。
举例如下：
import tensorflow as tf
x = tf.constant([[1.0, 2.0]]) # 1行2列
w = tf.constant([[3.0], [4.0]]) # 2行1列
y = tf.matmul(x, w) # 矩阵乘法，结果为1行1列
print(y)
输出为一个1行1列的向量：
Tensor("MatMul:0", shape=(1, 1), dtype=float32)
3. 会话（Session）
想要得到运算结果，就要使用会话模块。
会话（Session）：执行计算图中的节点运算。
基本用法：
with tf.Session() as sess:
print sess.run(y)
计算上例中的节点y：
import tensorflow as tf
x = tf.constant([[1.0, 2.0]])
w = tf.constant([[3.0], [4.0]])
y = tf.matmul(x, w)
print(y)
with tf.Session() as sess:
print sess.run(y)
结果：
Tensor("MatMul:0", shape=(1, 1), dtype=float32)
[[11.]]
P.S. 输出结果中会有几个warning，是因为运算加速指令没有开启。
可以暂时降低提示等级：在～/.bashrc尾部加入一句：export TF_CPP_MIN_LOG_LEVEL=2，然后终端source ~/.bashrc使配置生效。