TensorFlow：

        神经网络（深度）

            图像：卷积神经网络

            自然语言处理：循环神经网络

        特点：

            引入各种计算设备（CPU/GPU/TPU）,以及能够很好的运行在移动端。

            合理的C++使用界面，易用的Python使用界面来构造个执行你的graphs，可以直接写Python/C++程序

            采用数据流图（data flow graphs）,用于数值计算的开源库，能够灵活的组装图，执行图

            谷歌支持，希望成为通用语言

        前后端系统：

            前端系统：定义程序图的机构

            后端系统：运算图结构

        会话：

            1、运算图的结构

            2、分配资源计算

            3、掌握资源（变量的资源，队列，线程）

　　tensor（张量）:

        一个类型化的N维数组

        三部分：

            名字、形状、数据类型

        阶：和数组的维度类似

        属性：

            graph：张量的默认图

            op：张量的操作名

            name：张量的字符串描述

            shape：张量的形状

        动态形状和静态形状：

            动态形状：（动态形状,创建一个新的张量并且数据量大小不变）

                一种描述原始张量在执行过程中的一种形状（动态变化）

                tf.reshape(和numpy类似)，创建一个具有不同形态的新张量

            静态形状：（静态形状，一旦张量固定，不能再次设置静态形状，不能夸维度修改）

                创建一个张量，初始的形状

                tf.get_shape():获取静态形状

                tf.set_shape():更新对象的静态形状。通常用于不能推断的情况下

        张量操作：

            固定值张量：

                tf.zeros(shape, dtype, name)

                tf.ones()

                tf.constant()

            随机张量：（正太分布）

                tf.random_normal(shape, mean, stddev, dtype, seed, name)

                mean: 平均值

                stddev: 标准差

            类型变换：

                tf.cast(x, dtype, name)

            形状变换：

                tf.reshape()

                tf.get_shape()

                tf.set_shape()

            切片与扩展：

                tf.concat(values, axis, name)

        google提供的数据运算：

            地址：https://tensorflow.google.cn/api_docs/python/tf/math

　　变量：

        也是一种op，是一种特殊的张量，能够进行储存持久化，它的值就是张量，默认被训练

        tf.Variable(initial_value, name, trainable)

        注：

            1、变量op能够持久化保存，普通张量不行

            2、当定义一个变量op的时候，一定要在会话中取运行初始化

            3、name参数：在tensortboard使用的时候展示名字，可以让相同op名字进行区分

数据流图：

        tensor：张量（numpy中的数组，ndarray类型然后封装为tensor），简而言之，就是数组

        operation（op）：专门运算的操作节点，所有操作都是一个op

        图：你的这个程序架构

        会话：运算程序的图

　　可视化tensorboard：

        通过读取TensorFlow事件文件来运行

        tf.summary.FileWriter(path, graph)

        读取（cmd中执行）：tensorboard --logdir "path"

import tensorflow as tf

a = tf.constant(5.0)

b = tf.constant(4.0)

sum = tf.add(a, b)

# 默认的这张图，相当于一块内存

graph = tf.get_default_graph()

print(graph)

# 只能运行一个图

with tf.Session() as sess:

    print(sess.run(sum))

# 图的创建

# 创建一张图包含了一组op和tensor，上下文环境

# op：只要使用tensorflow的api定义的函数都是op

# tensor：指数数据

g = tf.Graph()

with g.as_default():

    c = tf.constant(12.0)

    # 有重载机制（默认给运算符重载成op类型）

    d = c + 1.0

print(g)

# 可以在会话中指定运行

# config:

#   log_device_placement: 查看运行设备信息

with tf.Session(graph=g, config=tf.ConfigProto(log_device_placement=True)) as sess:

    print(sess.run(c))

    # eval:只有在会话上下文才可以使用

    print(d.eval())

    # 占位符

    plt = tf.placeholder(tf.float32, [None, 3])

    print(plt)

    # 静态形状，一旦张量固定，不能再次设置静态形状，不能夸维度修改

    plt.set_shape([2, 3])

    print(plt)

    # 动态形状,创建一个新的张量并且数据量大小不变

    plt_reshape = tf.reshape(plt, [3,2])

    print(plt_reshape)

    print(sess.run(plt, feed_dict={plt: [[1,2,3], [4,5,6]]}))

    print("*" * 20)

    print(d.graph)

    print("-" * 20)

    print(d.op)

    print("-" * 20)

    print(d.name)

    print("-" * 20)

    # 形状表示维度大小，如果是（）表示0维，?代表不确定

    print(d.shape)

    print("*" * 20)

# 变量

e = tf.constant(1.0, name="e")

f = tf.constant(2.0, name="f")

g = tf.add(e, f, name="g")

var = tf.Variable(tf.random_normal([2,3], mean=0, stddev=1), name="var")

print(e)

print(var)

# 初始化所有变量的op

init_op = tf.global_variables_initializer()

with tf.Session() as sess:

    # 必须初始化op，才可运行

    sess.run(init_op)

    # tensorboard 写入

    tf.summary.FileWriter("tmp/summary/test", graph=sess.graph)

    print(sess.run([g, var]))

<tensorflow.python.framework.ops.Graph object at 0x0000020B45A05B38>

9.0

<tensorflow.python.framework.ops.Graph object at 0x0000020B58472940>

Device mapping: no known devices.

add: (Add): /job:localhost/replica:0/task:0/cpu:0

add/y: (Const): /job:localhost/replica:0/task:0/cpu:0

Const: (Const): /job:localhost/replica:0/task:0/cpu:0

12.0

13.0

Tensor("Placeholder:0", shape=(?, 3), dtype=float32)

Tensor("Placeholder:0", shape=(2, 3), dtype=float32)

Tensor("Reshape:0", shape=(3, 2), dtype=float32)

[[1. 2. 3.]

 [4. 5. 6.]]

********************

<tensorflow.python.framework.ops.Graph object at 0x0000020B58472940>

--------------------

name: "add"

op: "Add"

input: "Const"

input: "add/y"

attr {

  key: "T"

  value {

    type: DT_FLOAT

  }

}

--------------------

add:0

--------------------

()

********************

Tensor("e:0", shape=(), dtype=float32)

Tensor("var/read:0", shape=(2, 3), dtype=float32)

[3.0, array([[-0.24931028,  0.10012802, -0.8845826 ],

       [-0.08898215, -0.87531203, -0.5762032 ]], dtype=float32)]