TensorFlow

基于TensorFlow的NN：用张量表示数据，用计算图搭建神经网络，用会话执行计算图，优化线上的权重（参数），得到模型。

张量

多维数组（列表），用阶表示张量的维数。

维数	阶	名字	例子
0-D	0	标量 scalar	s=1 2 3
1-D	1	向量 vector	v=[1,2,3]
2-D	2	矩阵 matrix	m=[[1,2,3],[4,5,6],[7,8,9]]
n-D	n	张量 tensor	t=[[[ ...

计算图

import tensorflow as tf

a = tf.constant([1.0, 2.0])
b = tf.constant([3.0, 4.0])

result = a + b
print result

# 程序运行结果
# Tensor("add:0", shape=(2,), dtype=float32)

add:0 ：add表示节点名、0表示第0个输出；
(2,) ：只有一个数字说明只有一个维度，是一个长度为2的一位数组；
float32 ：元素类型；

这段简单的代码所描述的就是一个计算过程，就是一张计算图；
从程序的输出可以看出，result只是个张量，并没有实际运算张量具体的值，这就是计算图的本质，它只负责搭建神经网络的计算过程，不计算结果。

会话

执行计算图中的节点运算

import tensorflow as tf

x = tf.constant([[1.0, 2.0]])
w = tf.constant([[3.0], [4.0]])

y = tf.matmul(x, w)
with tf.Session() as sess:
    print sess.run(y)

# 程序运行结果
# [[ 11.]]