TensorFlow框架安装与入门

TensorFlow™ 是一个开放源代码软件库，用于进行高性能数值计算。借助其灵活的架构，用户可以轻松地将计算工作部署到多种平台（CPU、GPU、TPU）和设备（桌面设备、服务器集群、移动设备、边缘设备等）。TensorFlow™ 最初是由 Google Brain 团队（隶属于 Google 的 AI 部门）中的研究人员和工程师开发的，可为机器学习和深度学习提供强力支持，并且其灵活的数值计算核心广泛应用于许多其他科学领域。

pip软件包有 tensorflow - 仅支持 CPU 的最新稳定版本（建议新手使用），tensorflow-gpu - 支持 GPU 的最新稳定版本（Ubuntu 和 Windows），tf-nightly - 仅支持 CPU 的每夜版

TensorFlow GPU版本需要各种驱动程序和库的支持。此设置仅需要 NVIDIA® GPU 驱动程序。为了简化安装并避免库冲突，建议您使用支持 GPU 的 TensorFlow Docker 映像（仅限 Linux）

计算图是 TensorFlow 中最基本的一个概念， TensorFlow 中的所有计算都会被转化为计
算图上的节点。TensorFlow 是一个通过计算图 的形式来表述计算的编程系统 。 TensorFlow
中的每一个计算都是计算图上的一个节点，而节点之间的边描述了计算之间的依赖关系。

在 TensorFlow 程序中，所有 的数据都通过张量的形式来表示。从功能的角度上看，张量可以被简单理解为多维数组。其中零阶张量表示标量（ scalar ） ，也就是一个数； 第一阶张量为向量(vector)，也就是一个一维数组；第 n 阶张量可以理解为一个 n 维数组 。

本文将介绍如何使用TensorFlow 中的会话（ session ）来执行定义好的运算。会话拥有并管理 TensorFlow 程序运行时的所有资源。所有计算完成之后需要关闭会话来帮助系统回收资源，否则就可能出现资源泄漏的问题。TensorFlow 中使用会话的模式一般有两种

当训练模型时，用变量来存储和更新参数。变量包含张量 (Tensor)存放于内存的缓存区。建模时它们需要被明确地初始化，模型训练后它们必须被存储到磁盘。这些变量的值可在之后模型训练和分析是被加载。

TensorFlow程序读取数据一共有3种方法:供给数据(Feeding)： 在TensorFlow程序运行的每一步， 让Python代码来供给数据。从文件读取数据： 在TensorFlow图的起始， 让一个输入管线从文件中读取数据。预加载数据： 在TensorFlow图中定义常量或变量来保存所有数据(仅适用于数据量比较小的情况)。

线程和队列在使用TensorFlow进行异步计算时，队列是一种强大的机制。正如TensorFlow中的其他组件一样，队列就是TensorFlow图中的节点。这是一种有状态的节点，就像变量一样：其他节点可以修改它的内容

TensorFlow 支持的设备：在一套标准的系统上通常有多个计算设备. TensorFlow 支持 CPU 和 GPU 这两种设备. 我们用指定字符串strings 来标识这些设备. 比如: /cpu:0: 机器中的 CPU
/gpu:0: 机器中的 GPU, 如果你有一个的话./gpu:1: 机器中的第二个 GPU, 以此类推...

我们先学习了创建，初始化，保存及加载单一的变量的方法，但是当创建复杂的模块时，通常你需要共享大量变量集并且如果你还想在同一个地方初始化这所有的变量,我们又该怎么做呢.

本教程使用tf.variable_scope() 和tf.get_variable()两个方法来实现

TensorFlow用张量这种数据结构来表示所有的数据.你可以把一个张量想象成一个n维的数组或列表.一个张量有一个静态类型和动态类型的维数.张量可以在图中的节点之间流通.

TensorFlow 常用术语：广播操作(Broadcasting operation)一种用numpy-style broadcasting来保证tensor参数的形态兼容的操作。Devices一块可以用来运算并且拥有自己的地址空间的硬件，比如GPU

建立 TensorFlow graph参看 建立 graph 的 API 文档.为什么c = tf.matmul(a, b) 不立即执行矩阵相乘？在 TensorFlow 的 Python API 中, a, b, and c 都是 Tensor 对象. 一个