tensorflow笔记（张量、计算图、会话）-mooc（北京大

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（tensor）：多维数组（列表），阶（张量的维数），可以表示0阶到n阶数组（列表）

import tensorflow as tf 
a = tf.constant([1.0,2.0]) #常数
b = tf.constant([3.0,4.0])
result = a+b 
print(result) #是一个张量

"add"节点名，“0”第0个输出，shape维度，（2，）一维数据，长度是2，dtype数据类型

计算图（graph）：承载多个计算节点，搭建神经网络的计算过程，只搭建，不运算。

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

会话（session）：执行计算图中的节点运算，来得到运算结果

with tf.Session() as sess:
    print(sess.run(y))

with tf.Session() as sess:
    print(sess.run(y))

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))

参数：即神经网络上神经元的权重，用变量表示，随机给初值。

w = tf.Variable(tf.random_normal([2,3], stddev=2, mean=0, seed=1)) #随机生成参数，正态分布，矩阵2*3，标准差是2，均值为0

神经网络的层数等于隐藏层加输出层，输入层不算在神经网络层数中。