一个使用数据流图(data flow graphs)技术来进行数值计算的开源软件库。
数据流图是描述有向图中的数值计算过程。
TensorFlow是一种将计算表示为图的编程系统。
图中的节点称为ops(operation的简称),既任务。
一个ops使用0个或以上的Tensors，通过执行某些运算，产生0个或以上的Tensors。
一个Tensor是一个多维数组，例如，你可以将一批图像表示为一个四维的数组[batch, height, width, channels]，数组中的值均为浮点数。
TensorFlow中的图描述了计算过程，图通过Session的运行而执行计算。
Session将图的节点们(即ops)放置到计算设备(如CPUs和GPUs)上，然后通过方法执行它们；这些方法执行完成后，将返回tensors。
- 在Python中的tensor的形式是numpy ndarray对象，而在C/C++中则是tensorflow::Tensor。
- 将计算流程表示成图；
- 通过Sessions来执行图计算；
- 将数据表示为tensors；
- 使用Variables来保持状态信息；
- 分别使用feeds和fetches来填充数据和抓取任意的操作结果；
创建一个图来表示和训练神经网络;
在图中重复执行一系列的训练操作;
会话持有并管理tensorflow程序运行时的所有资源;
PS:所有计算均要用session.run(...)方法执行;
< 不过要注意，因为在训练开始前，所有的数据都是抽象的概念,只有在训练过程开始后，才能获得a的实际值
TensorFlow中使用tensor数据结构（实际上就是一个多维数据）表示所有的数据,并在图计算中的节点之间传递数据;
1.零阶张量表示标量，即一个数；
2.一阶张量为向量，即一维数组；n阶张量理解为一个n维的数组；
3.但是张量不真正的保存数字，它保存的是如何得道这些数字的计算过程，即操作。
1.主要保存了三个重要属性(当然也具有其他属性)：name、shape(张量维度)、type(张量类型);
2.name:张量的唯一标识符，同时可以看出他的计算方式,张量的命名形式：“node:src_output”;
node：节点名称
src_output：张量来自节点的第几个输出(从0开始编号)
创建:tf.Variable()
与Tensor不同，Variable必须初始化以后才有具体的值。
使用tf.global_variables_initializer()初始化Variable后才可以run()。
告诉系统：这里有一个值/向量/矩阵，现在我没法给你具体数值，不过我正式运行的时候会补上的;
例如x和y。因为没有具体数值，所以只要指定尺寸即可:
x = tf.placeholder(tf.float32,[1, 5],name='input') y = tf.placeholder(tf.float32,[None, 5],name='input')
不能直接运行placeholder
1.tf.zeros
2.tf.ones
3.tf.fill
4.tf.constant
为了抓取ops的输出，需要先执行session的run函数，可通过print函数打印状态信息。
所有tensors的输出都是一次性 [连贯] 执行的。
TensorFlow也提供这样的机制：先创建特定数据类型的占位符(placeholder)，之后再进行数据的填充。
如果不对placeholder()的变量进行数据填充，将会引发错误。
1.通过tf.constant创建一个常量;
曲线拟合（curve fitting）是指选择适当的曲线类型来拟合观测数据，并用拟合的曲线方程分析两变量间的关系。
既将非线性关系的数据线性化。
->曲线直线化
曲线直线化是曲线拟合的重要手段之一。对于某些非线性的资料可以通过简单的变量变换使之直线化，这样就可以按最小二乘法原理求出变换后变量的直线方程;
既线性回归。
定义：优化器类的基类。
-> tf.train.GradientDescentOptimizer
这个类是实现梯度下降算法的优化器。传入一个学习率的值就可以了：
tf.train.GradientDescentOptimizer(learning rate)
作用：非常常用的一个函数,通过更新var_list来减小loss。
z=Wx+b
a=softmax(z)
- tf.argmax表示找到最大值的位置(也就是预测的分类和实际的分类);
- 然后看看他们是否一致，是就返回true,不是就返回false,这样得到一个boolean数组;
- tf.cast将boolean数组转成int数组，最后求平均值，得到分类的准确率;
一般来说，CNN网络的前几层为卷积层和采样层（或者说池化层），在若干层卷积和池化以后，还有若干层全连接层（也就是传统神经网络），最后输出分类信息。
- 卷积层（提取图片的特征）
- 池化层（采样层）
- 全连接层（传统神经网络）
CNN相比与传统神经网络，最大的区别就是引入了卷积层和池化层。
流程:
图像输入 -> 卷积 -> 最大池化（采样） -> 全连接神经网络 -> 计算
作用：用于提取特征，且不需要指定特征，由它自己去提取;
- 卷积开始
- 获取到猜测的特征，例如特征1、特征2...
- 提取到的特征称为卷积核
- 匹配输入的图像
- 将输入图像用卷积核计算完成
- 用n个卷积核计算完成后，得到n个新的矩阵（包含多个像素的匹配度）
- 卷积完成
- 对于卷积之后的n个矩阵
- 缩减卷积核矩阵，常用的是2x2矩阵提取
- 取出2x2矩阵中的最大值
- 既只关注是否有某个地方匹配了
- 最后得到最大池化矩阵
- 将池化后的矩阵再继续多次卷积+池化
- 得到最终的2x2矩阵
- 展开数据（vec化）
- 得到1xn的条形矩阵
- 计算最后的平均值
- 越接近1的匹配度越高