Tensorflow编程基础

tnesorflow中文社区上介绍如下：
TensorFlow™ 是一个采用数据流图（data flow graphs），用于数值计算的开源软件库。节点（Nodes）在图中表示数学操作，图中的线（edges）则表示在节点间相互联系的多维数据数组，即张量（tensor）。它灵活的架构让你可以在多种平台上展开计算，例如台式计算机中的一个或多个CPU（或GPU），服务器，移动设备等等。TensorFlow 最初由Google大脑小组（隶属于Google机器智能研究机构）的研究员和工程师们开发出来，用于机器学习和深度神经网络方面的研究，但这个系统的通用性使其也可广泛用于其他计算领域。
Tensorflow可以理解一个开放源代码软件库，用于高性能数值计算。

Tensorflow概念
Tensorflow = tensor + flow
Tensor 张量：数据结构为多维数组
Flow 流：计算模型，张量之间通过计算而转换的过程

Tensorflow是一个通过计算图的形式表述计算的编程系统，每一个计算都是计算图上的一个节点，节点之间的边描述了计算之间的关系
对照着下图：

什么是数据流图（Data Flow Graph）?
数据流图用“结点”（nodes）和“线”(edges)的有向图来描述数学计算。“节点” 一般用来表示施加的数学操作，但也可以表示数据输入（feed in）的起点/输出（push out）的终点，或者是读取/写入持久变量（persistent variable）的终点。“线”表示“节点”之间的输入/输出关系。这些数据“线”可以输运“size可动态调整”的多维数据数组，即“张量”（tensor）。张量从图中流过的直观图像是这个工具取名为“Tensorflow”的原因。一旦输入端的所有张量准备好，节点将被分配到各种计算设备完成异步并行地执行运算。

简单来说
计算图是一个有向图，由以下内容构成：
一组节点，每个节点都代表一个操作，是一种运算
一组有向边，每条边代表节点之间的关系（数据传递和控制依赖）

Tensorflow具有两种边
实线表示的边：表示数值的流动方向，某个输入，某个输出
虚线的边：表示两个节点的控制相关性，某个节点执行完以后才会执行另外的一个节点
（图是不需要程序员写的，tensorbroad这个可以生成）

import tensorflow as tf
print(tf.__version__)

# 创建一个常值运算，将作为一个节点加入到默认计算图中
hello = tf.constant("Hello World")
# 创建一个TF对话
sess = tf.Session()
# 运行并获得结果
print(sess.run(hello))

import tensorflow as tf

# 一个简单的计算图
node1 = tf.constant(3.0,dtype=float,name="node1")
node2 = tf.constant(4.0,dtype=float,name="node2")
node3 = tf.add(node1,node2)
print(node3)

# 只是执行上述代码，输出的结果不是一个具体的数字，而是一个张量的结构
# Tensor("Add:0", shape=(), dtype=float32)

# 只有在创建流图（或计算图）后，也被称为建立计算模型之后，执行对话才能获取数据并获得结果

# 建立对话，并返回结果
sess = tf.Session()
print("执行sess.run(node1)的结果",sess.run(node1))
print("执行sess.run(node2)的结果",sess.run(node2))
print("执行sess.run(node3)的结果",sess.run(node3))
# 关闭session
sess.close()

上述可以总结tensorflow的编程使用方式
1.引入tensorflow库
2.定义tensorflow计算图（或者说模型）
3.建立会话session
4.通过session执行计算图