tensorflow手写体识别（一）

1.简介

Tensorflow：张量流。
首先，Tensor代表了执行一个操作(运算)所产生的值。其次，一个Tensor实例并不会保存具体的值，而只是代表了产生这些值的运算方式。好像有些拗口，也就是说假如有一个加法操作add，令c = add(1,1)。那么c就是一个tensor实例了，代表了1+1的结果，但是它并没有存储2这个具体的值，它只知道它代表1+1这个运算。从这里也可以看出，tensorflow里的api都是惰性求值，等真正需要知道具体的值的时候，才会执行计算，其他时候都是在定义计算的过程。

一张图让你理解tensorflow

数据流图用“结点”（nodes）和“线”(edges)的有向图来描述数学计算。“节点” 一般用来表示施加的数学操作，但也可以表示数据输入（feed in）的起点/输出（push out）的终点，或者是读取/写入持久变量（persistent variable）的终点。“线”表示“节点”之间的输入/输出关系。这些数据“线”可以输运“size可动态调整”的多维数据数组，即“张量”（tensor）。张量从图中流过的直观图像是这个工具取名为“Tensorflow”的原因。一旦输入端的所有张量准备好，节点将被分配到各种计算设备完成异步并行地执行运算。
图片及文字来源于：http://www.tensorfly.cn/

2.安装使用

下载python3.5或者3.6均可
打开dos窗口：
安装tensorflow

pip install --upgrade tensorflow

3.小例子

import tensorflow as tfhello = tf.constant('Hello world, TensorFlow!')sess = tf.Session()print(sess.run(hello))

import tensorflow as tf
类似于java中的导入依赖库,之后调用tensorflow的API即可以直接用tf
tf.constant：新建一个常量
tf.Session() ： tf的执行引擎（也称为tf会话）
sess.run(hello): 执行结果

注意：
Python 与 TensorFlow 中的命名（names）与执行

TensorFlow 的计算管理和 Python 完全不同。按照 Hadley Wickham 的说法，对于这两者都该牢记的是：一个对象（obejct）不会对应（have）一个命名（见图 1）。为了观察 Python 和 TensorFlow 的相似性（以及差异），让我们看看他们是如何引用（refer to）对象和处理执行的。

Python 代码中的变量名并不是它们代表的那样；它们只是指向对象。因此，当你写出以下的代码：foo = [] 和 bar = foo，不仅说明 foo 和 bar 的值相等，并且强调了 foo 就是 bar。也就是说它们指向了相同的列表对象。

具体参见：http://mp.weixin.qq.com/s/2iDny8WM9IabfIfl3UsW0Q