關於Tensorflow的基本介紹
Tensorflow是一個基於圖的計算系統，其主要應用於機器學習。
從Tensorflow名字的字面意思可以拆分成兩部分來理解：Tensor+flow。
- Tensor：中文名可以稱為“張量”，其本質就是任意維度的數組。一個向量就是一個1維的Tensor，一個矩陣就是2維的Tensor。
- Flow：指的就是圖計算中的數據流。
當我們想要使用Tensorflow做什么事情的時候，一般需要三個操作步驟：
- 創建Tensor；
- 添加Operations（Operations輸入Tensor，然后輸出另一個Tensor）；
- 執行計算（也就是運行一個可計算的圖）。
Tensorflow有個圖的概念，Operations會添加到圖中，作為圖的節點。在添加某Operation的時候，不會立即執行該Operation。Tensorflow會等待所有Operation添加完畢，然后Tensorflow會優化該計算圖，以便決定如何執行計算。
快速使用
如果想開始實驗一下Tensorflow，可以通過Docker啟動官方的鏡像tensorflow/tensorflow。
如下所示，
lienhuadeMacBook-Pro:tensorflow lienhua34$ docker run -d -p 8888:8888 --name tensorflow tensorflow/tensorflow 0fc7849b3ef5ac56e8ad372cc201874338c586ed5f47a4205997712efcd35646 lienhuadeMacBook-Pro:tensorflow lienhua34$ docker ps -a CONTAINER ID IMAGE COMMAND CREATED STATUS PORTS NAMES 0fc7849b3ef5 tensorflow/tensorflow "/run_jupyter.sh" 49 minutes ago Up 2 seconds 6006/tcp, 0.0.0.0:8888->8888/tcp tensorflow
該鏡像啟動一個jupyter，然后我們在瀏覽器中輸入http://localhost:8888/來訪問，如下圖所示，
然后點擊右上角的New -> Python 2，新建的一個Python交互頁面，便可以開始實驗Tensorflow的功能，
簡單實例：向量相加
下面我們通過兩個向量相加的簡單例子來看一下Tensorflow的基本用法。
[1. 1. 1. 1.] + [2. 2. 2. 2.] = [3. 3. 3. 3.]import tensorflow as tf with tf.Session(): input1 = tf.constant([1.0 1.0 1.0 1.0]) input2 = tf.constant([2.0 2.0 2.0 2.0]) output = tf.add(input1, input2) result = output.eval() print result
Tensorflow的計算必須要在一個Session的上下文中。Session會包含一個計算圖，而這個圖你添加的Tensors和Operations。當然，你在添加Tensor和Operation的時候，它們都不會立即進行計算，而是等到最后需要計算Session的結果的時候。當Tensorflow之后了計算圖中的所有Tensor和Operation之后，其會知道如何去優化和執行圖的計算。
兩個tf.constant() 語句向計算圖中創建了兩個Tensor。調用tf.constant()的動作大致可以說為，創建兩個指定維度的Tensor，以及兩個constant操作符用於初始化相對應的Tensor（不會立即執行）。
tf.add()語句向計算圖中添加了一個add操作，當不會立即執行，這時候add操作的結果還無法獲取。此時，計算圖大致如下所示， 
result = output.eval() print result
當我們最后調用output.eval()時，會觸發Tensorflow執行計算圖，從而獲取output計算結點的結果。
Variable的使用
我們上面的例子使用的Tensor是常量（constant），而在我們實際的機器學習任務中，我們往往需要變量（variable）來記錄一下可變的狀態（例如神經網絡節點的權重參數等）。下面我們來看一個簡單的variable例子。
import tensorflow as tf import numpy as np with tf.Session() as sess: # Set up two variables, total and weights, that we'll change repeatedly. total = tf.Variable(tf.zeros([1, 2])) weights = tf.Variable(tf.random_uniform([1,2])) # Initialize the variables we defined above. tf.initialize_all_variables().run() # This only adds the operators to the graph right now. The assignment # and addition operations are not performed yet. update_weights = tf.assign(weights, tf.random_uniform([1, 2], -1.0, 1.0)) update_total = tf.assign(total, tf.add(total, weights)) for _ in range(5): # Actually run the operation graph, so randomly generate weights and then # add them into the total. Order does matter here. We need to update # the weights before updating the total. sess.run(update_weights) sess.run(update_total) print weights.eval(), total.eval()
概括了說，上面的代碼就是創建了兩個變量total和weights（都是1維的tensor），total所有元素初始化為0，而weights的元素則用-1到1之間的隨機數進行初始化。然后在某個迭代中，使用-1到1之間的隨機數來更新變量weights的元素，然后添加到變量total中。
在調用tf.Variable()的時候，只是定了變量以及變量的初始化操作（實際上並未執行）。所有變量都需要在開始執行圖計算之前進行初始化。調用tf.initialize_all_variables().run()來對所有變量進行初始化。
在for循環中，
sess.run(update_weights)
觸發執行更新weights變量的計算。
sess.run(update_total)
則處理了將變量total和變量weights進行相加，並將結果賦值到變量total。