人工智能框架TensorFlow2：TensorFlow2.1框架介绍和安装，编写第一个TensorFlow

前言：

从本质上讲，tensorflow其实真的只是把python和numpy的一些基本功能封装了一下，从而提供了一套上层API，然后提供了一套人工智能相关的算法实现API。客观点说tensorflow1.x很失败，目前Tensorflow2因为默认了eager执行和集成keras作为人工智能算法的标准API才被广泛接受。

1、学习前必须了解的概念：张量和数据流图

1.1、张量：可以认为是数组和常量的总称呼，一般用阶表示，常量为0阶，向量（一维数组）结构为1阶，N维数组，为N阶

数据	数学称呼	张量称呼
1	常量或者标量	0阶张量
[1,2,3,4,5]	一维数组，向量	1阶张量
[[1,2,3,4,5],  [6,7,8,9,10]]	二维数组，矩阵	2阶张量
[[[1,2,3,4,5],  [6,7,8,9,10]]， [[11,12,13,14,15],  [16,17,18,19,20]]]	三维数组	3阶张量
N维结构	N维数组	阶张量

在数学上，我们通常用一维数组和多维数组表示一个数据集合，比如：

我们要表示一个人的身高，体重，年龄可以写成 [175, 70, 30]这样的一维数组形式

这个数组的第一个元素表示身高，第二元素表示体重，第三个元素表示年龄，这个一维数组可以认为是一阶张量

如果要表示3个人的身高体重，可以写成二维数组结构

[ [175, 70, 30]

   [180, 80, 25]

   [166, 70, 33] ]   

这个结构，可以理解为一个二阶张量，那么我们就可以很好地理解其实二维结构和excel表格数据很类似，但是在人工智能领域，通常会用到三维、四维以上的数组结构，可以称为三维张量，四维张量直到N维度张量

那么，单独一个数比如：10怎么称呼呢，其实对于数学上的常量来说，可以认为是0阶张量

所以，所谓的张量其实是一种为了在人工智能领域统一称呼数据（常数）或者数据集合（一维或N维数组）采用的一个新名称

1.2、数据流图：

数学上，我们通常会进行数学运算，简单的加减乘除，如果写复杂一点，比如一个复杂的公式

例如：（1+2）*3 - 5  对于这个较为复杂的公式的计算过程，我们可以画图表示：

读起来就是：3和4加法的计算结果，再与3相乘的计算结果，然后减去5，得到最终的计算结果。

 

可以很好理解，其实就是我们数据复杂计算过程，使用了一个图形化的表示，那么TensorFlow的数据流图又有何差异呢？

其实就是计算过程的差异，机器学习和人工智能领域，已经不再是单纯的加减法，而是复杂的数学变换和数学计算，比如：

矩阵点积运算，基于最小二乘法的优化器计算（内部采用梯度下降算法），矩阵的变换，sigmod变换，softmax变换等，输入已经不是一个数或者几个数，而是一个

2、安装Tensorflow：pip install tensorflow

一般都不会报错，能够很快地安装成功。

3、编写第一个tensorflow代码

# 引入tensorflow2
import tensorflow as tf

# 查看一下当前的版本号
print(tf.version.VERSION)

# 定义tensor常量
hello = tf.constant('Hello tensorflow!')
print(hello)

执行结果为：

Tensor结构的实质可以理解为是对numpy结构进一步封装，后续博客内容讲消息解说。