關於tensorflow的相關基礎概念，可以參考之前寫過的介紹文章。後期由於需要進行大量的程式碼實踐，因此將會基於原始碼對Tensorflow進行系統性的學習。

首先是使用tensorflow輸出Hello World:

import tensorflow as tf
# simple hello world using Tensorflow

# Create a Constant op
# The op is added as a node to the default graph

# The value returned by the constructor represents the output
 

# of the Constant op.
hello = tf.constant("Hello, Tensorflow!")

# Start tf session
sess = tf.Session()

# Run graph
print sess.run(hello) # => Hello, Tensorflow!

相對而言較為簡單，不進行詳述。

接下來看tensorflow如何採用常量的方式進行算數運算：

import tensorflow as tf

a = tf.constant(2)
b = tf.constant(3)

# Launch the default graph.
 

with tf.Session() as sess:
    print "a: %i" % sess.run(a), "b: %i" % sess.run(b)
    #print "Add: %i" % (sess.run(a) + sess.run(b))
    print "Add: %i" % sess.run(a+b)
    print "Mul: %i" % sess.run(a*b)
    # a:2 b:3, Add: 5, Mul: 6

我們知道，tensorflow是基於圖的張量流運算，而上述是直接進行的常量宣告，與實際並不是很相符合，因此我們接下來進行張量流圖的使用：

import tensorflow as tf

a = tf.placeholder(tf.int32)
b = tf.placeholder(tf.int32)

# Define some operations
add = tf.add(a, b)
mul = tf.multiply(a, b)

# Launch the default graph
with tf.Session() as sess:
    print "Add: %i" % sess.run(add, feed_dict={a:2, b:3})
    print "Mul: %i" % sess.run(mul, feed_dict={a:2, b:3})
# Add: 5 Mul: 6

上述所有都是張量，還可以使用矩陣來進行操作(機器學習中幾乎所有的運算歸根結底都是h矩陣運算)：

import tensorflow as tf

matrix1 = tf.constant([[3.,3.]])
# print matrix1
matrix2 = tf.constant([[2.], [2.]])
# print matrix2

product = tf.matmul(matrix1, matrix2)
# print product

with tf.Session() as sess:
    result = sess.run(product)
    print result  # => [[ 12. ]]

上述所有程式碼親測可在Ubuntu 16.04, python 2.7 相關環境下執行通過。