一，安装
Google官方在11月29号的开发者博客中宣布新的版本（0.12）将 增加对Windows的支持，所以对于windows的用户来说，安装TensorFlow将会轻松很多，安装过程非常简单，不过也有一些需要手动调整。
TensorFlow 有两个版本：CPU 版本和 GPU 版本。GPU 版本需要 CUDA 和 cuDNN 的支持，CPU 版本不需要。如果你要安装 GPU 版本，请先在这里 确认你的显卡支持 CUDA。
CPU的版本安装很简单，我是在Anaconda下采样pip的方式安装的：
Anaconda Prompt模式下，使用命令：
pip install tensorflow
可以使用如下代码来测试，安装情况：
>>>import tensorflow as tf
>>>sess = tf.Session()
>>>a = tf.constant(10)
>>>b = tf.constant(22)
>>>print(sess.run(a + b))
32
二，基本概念
1,选择TensorFlow的原因：
a，Google 很强大； b，Python接口； c，高移植性； d，可视化强； e，社区强大
2,TensorFlow的核心概念：Graph和Session
TensorFlow：张量在图中流动。
类似于spark的惰性计算，TensorFlow是先定义图，然后再计算的。这种计算的定义和执行被分割开来的操作，有利于做分布式处理。
Tensor+Flow：张量在图中通过运算（op）进行传递和变换。Tensor可以被理解成n维矩阵。
模型跑起来， 你需要2步：一，描绘整幅图(定义计算)；二， 在session当中执行图中的运算
1，Session与Graph
import tensorflow as tf
a = tf.add(3,5)
sess = tf.Session()
print sess.run(a)
sess.close()
Session
会在计算图里找到
a
的依赖， 把依赖的节点都进行计算
为了便捷建议写法如下：
import tensorflow as tf
a = tf.add(3,5)
with tf.Session() as sess:
print sess.run(a)
使用with语句，程序最后会自动关闭Session。
假如要计算的表达式是：（x*y）的（x+y次幂）。
图构建如下：
代码如下：
x= 2
y= 3
op1=tf.add(x, y)
op2=tf.mul(x, y)
op3=tf.pow(op2, op1)
with tf.Session() as sess:
op3= sess.run(op3)
如果需要可以同时运行几个运算节点：
with tf.Session() as sess:
z, not_useless = sess.run([pow_op, useless])
三，了解tesnorboard
tesnorboard 是TensorFlow可视化的利器，其原理就是TF在运行的过程中不断的将session写入到日志文件中，然 后tesnorboard
import tensorflow as tf
a = tf.constant(2)
b = tf.constant(3)
x = tf.add(a, b)
with tf.Session() as sess:
#写到日志文件里
writer = tf.summary.FileWriter('./graphs, sess.graph)
print sess.run(x) writer.close() # 关闭writer
显示时在命令行端运行如下代码:
$ python [yourprogram].py
$ tensorboard --logdir="./graphs" --port 7001
打开google浏览器访问: http://localhost:7001/ 就能看到下图：
四，TensorFlow的常量、变量和操作
TensorFlow和numpy其实很像。
1，常量
常量的定义：
常量的定义：tf.constant(value,dtype=None, shape=None,name='Const', verify_shape=False) 代码如下所示：
a = tf.constant([2, 2], name="a")
b = tf.constant([[0, 1], [2, 3]], name="b")
x = tf.add(a, b, name="add")
y = tf.mul(a, b, name="mul")
with tf.Session() as sess:
x, y = sess.run([x, y])
print x, y
# >> [5 8] [6 12]2，变量
tf.constant是op， 而tf.Variable是一个类， 初始化的对象有多个op
#create variable a with scalar value
a=tf.Variable(2, name="scalar")
#create variable b as a vector 值为2,3的向量
b = tf.Variable([2, 3], name="vector")
#create variable c as a 2x2 matrix 值为0,1,2,3的矩阵
c = tf.Variable([[0, 1], [2, 3]], name="matrix")
# create variable W as 784 x 10 tensor, filled with zeros
W = tf.Variable(tf.zeros([784,10]))
变量的创建只是创建，在使用变量之前，一定要初始化！！
初始化的方法有三种：
a,最简单的初始化全部变量方法：
init = tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init)b,初始化一个变量子集
init_ab = tf.variables_initializer([a, b], name="init_ab")
with tf.Session() as sess:
sess.run(init_ab)
c,初始化单个变量
W = tf.Variable(tf.zeros([784,10]))
with tf.Session() as sess:
sess.run(W.initializer)
输出变量内容：
Eval
(
)
函数
3，操作
在tensor上可以进行各种运算/变换
常用的操作
a = tf.constant([3, 6])
b = tf.constant([2, 2])
tf.add(a, b) #>> [5 8]
tf.add_n([a, b, b]) #>> [7 10]
tf.mul(a, b) #>> [6 12]
tf.matmul(a, b) #>> ValueError
tf.matmul(tf.reshape(a,[1, 2]), tf.reshape(b,[2, 1])) #>> [[18]]
tf.div(a, b) #>> [1 3]
tf.mod(a, b) #>> [1 0]
4，placeholder
通过placeholder可以存放用于训练的数据 ：tf.placeholder(dtype, shape=None, name=None)
# create a placeholder of type float 32-bit, shape is a vector of 3 elements
a = tf.placeholder(tf.float32, shape=[3])
# create a constant of type float 32-bit, shape is a vector of 3 elements
b = tf.constant([5, 5, 5], tf.float32)
# use the placeholder as you would a constant or a variable
c = a + b # Short for tf.add(a, b)
with tf.Session() as sess:
# feed [1, 2, 3] to placeholder a via the dict {a: [1, 2, 3]}
print sess.run(c, {a: [1, 2, 3]})
# the tensor a is the key, not the string ‘a’
# >> [6, 7, 8]# create operations, tensors, etc (using the default graph)
a = tf.add(2, 5)
b = tf.mul(a, 3)
with tf.Session() as sess:
# define a dictionary that says to replace the value of 'a' with 15
replace_dict = {a: 15}
# Run the session, passing in 'replace_dict' as the value to 'feed_dict'
sess.run(b, feed_dict=replace_dict)
# returns 45
TEST
