Tensorflow是一個Google開發的深度學習的框架，十分的好用。下面我們就來簡單介紹一下Tensorflow的基本用法

就我的理解來說，Tensorflow框架的寫法和我們之前寫的程式不太一樣，如果要理解Tensorflow，先要理解它的基本組成部分，tensor

tensor, 張量, 就相當於一個指定維度的陣列，就像numpy裡面的ndarray，tenseflow的框架定義了一個圖，操作就相當於圖中的節點，我們的資料tensor就在節點之間執行(在節點之間流動，所以叫tensorflow)。每次我們要進行計算，必須使用一個session，會話，進行計算

一、Tensorflow的環境搭建

這一部分就先略去了，有時間再詳細介紹

二、宣告變數和常量

就像學習一門程式語言一樣，我們學習Tensorflow也要先學習怎麼對變數和常量進行運算，我們先看怎麼進行變數和常量的宣告

a = tf.Variable( 0.1, dtype= tf.float32 )
b = tf.constant( 0.2, dtype=tf.float32 )

在這裡我們分別定義了變數a和常量b，相應的值就是程式碼中賦的值，現在我們想列印輸出一下它們的值，但是我們不能直接列印，在這之前我們先要初始化session變數

init = tf.initialize_all_variables()
sess = tf.Session
 
()
sess.run(init)

在初始化之後我們就可以進行我們想進行的操作啦！

a = tf.Variable( 0.1, dtype= tf.float32 )
b = tf.constant( 0.2, dtype=tf.float32 )

sess = tf.Session()
sess.run( tf.initialize_all_variables() )

print sess.run( a )
print sess.run( b )

a = tf.Variable(0.1, dtype=tf.float32)
b = tf.constant(0.2, dtype=tf.float32)
c = tf.Variable(0.1
 
, dtype=tf.float32)

sess = tf.InteractiveSession()
sess.run(tf.initialize_all_variables())

tmp = tf.assign(c, b)  # assign

print sess.run(tmp)

tmp_var1 = tf.add(a, b)  # add
tmp_var2 = tf.mul(a, b)  # mul

print sess.run(tmp_var1)
print sess.run(tmp_var2)
print 'eval  ', b.eval()

對於這裡我的理解是這樣的，在每次有相關的運算的時候，雖然寫了這個運算，但是不會執行，指導我們執行了一個sess.run的操作，才會執行，這個時候就會遞迴地去找運算中的各個量的值是什麼。如果找到了定義那就直接運算就可以了，如果找到了另外一個運算，遞迴地進行另外一個運算，然後再賦值

而且還有需要注意的一點是，我們在定義的時候使用Interactive Session，這樣計算值的時候就可以直接使用tensor.eval()，而且如果這個計算有引數的話，直接使用tensor.eval( feed_dict = {} )就可以了

a = tf.Variable( 0.1, dtype= tf.float32 )
b = tf.constant( 0.2, dtype= tf.float32 )

sess = tf.Session()
sess.run( tf.initialize_all_variables() )

tmp_value = tf.add( a, b )
update_value = tf.assign( a, tmp_value )

for i in range( 5 ):
    print sess.run( update_value )

在這段程式碼當中，每次要計算update_value的時候，都要去遞迴地計算a和tmp_value的值

這裡要特別注意一下，有一個小小的坑（雖然說這個坑很小，但是我在坑裡掉了很長時間），就是初始化值的時候，是run initialize，這個不是說我聲明瞭這句話以後所有tensorflow的初始值全都初始化，而是說當我宣告完了我所有需要的變數的時候，比如我宣告完了神經網路裡面所有的權值，這個時候我再來進行run initialize，然後再進行計算

三、佔位符

tensorflow有一點比較特別的地方，就是會用到佔位符。所謂佔位符，placeholder，就是說我在宣告網路結構的時候，並不知道輸入的資料有多少組，所以就先用佔位符，具體的寫法是這樣的

input = tf.placeholder( tf.float32, [ None, 100 ] )

這裡面的None就是指，不限定輸入的tensor是多少維的

四、提供向量機制

當我們需要像我們設計的神經網路當中輸入資料的時候，我們就需要使用tensorflow的feed_dict機制

sess.run( trainstep, feed_dict = input_layer: x_batches )

這裡x_batches就是我們輸入的圖片資料的變數名，inputlayer就是我們定義的神經網路的輸入層名，通過這種方式來靈活的分離輸入的影象和神經網路的結構，不管是訓練還是預測都可以使用相同的結構

五、tensorflow當中常用的一些函式

tf.reduce_mean( value )
tf.reduce_sum( value )

這裡的reduce就是python中的reduce一樣的意思，求這個向量的和和均值

tf.argmax( value, axis = axis )

這個和numpy裡面的argmax是一樣的，獲取最大值的下標，只是在tensorflow裡面這個函式的軸是要顯式宣告的

trainstep = tf.train.GradientDescentOptimizer(0.01).minimize( cost )

這是tensorflow當中的優化器，以0.01為步長來優化cost，tensorflow當中還自帶了很多的優化器，使用起來非常方便，我們之後會盡量做詳細的介紹

好啦！！有了這篇講的知識，我們就可以去嘗試著做一個簡單的demo啦，在下篇文章當中我們向大家來介紹怎麼用tensorflow來寫一個簡單的CNN來識別手寫數字