Hello, TensorFlow入门教程
本文是 TensorFlow入门教程，这里案例主要是由Python 2.7或3.3+以上版本，Tensorflow则是0.8版本。TensorFlow是一个深度学习库，它的独特点是：
1. 核心库能够支持广泛的机器学习技术，不只是深度学习。
2.线性代数和其他内在算法能突出暴露开放。
3.除了核心的机器学习功能以外，tensorflow还包括自己的日志系统，交互式日志虚拟化和丰富的工程化服务架构。
4.tensorflow执行模型不同于Python的scikit学习，或R语言等大多数工具。
简单图graph
让我们从TensorFlow的最简单图graph开始：
>>> import tensorflow as tf
从这行开始，TensorFlow已经开始管理许多状态，它有一个隐式默认的图，_存在目录default_graph_stack下，但是我们不能直接访问，而是使用tf.get_default_graph()
>>> graph = tf.get_default_graph()
TensorFlow图的节点称为"operation操作"或“ops”，我们可以使用graph.get_operations()看到图中操作是什么？
>>> graph.get_operations() ## []
目前在图中什么也没有，我们需要放入需要让TensorFlow计算的数据，开始放入一个简单常量值：
>>> input_value = tf.constant(1.0)
现在，常量作为节点存在了，也就是作为图中一个操作，Python变量名称input_value间接指向这个操作，但是我们也能从默认图中发现这个操作：
>>> operations = graph.get_operations()
>>> operations
## [<tensorflow.python.framework.ops.Operation at 0x1185005d0>]
>>> operations[0].node_def
## name: "Const"
## op: "Const"
## attr {
## key: "dtype"
## value {
## type: DT_FLOAT
## }
## }
## attr {
## key: "value"
## value {
## tensor {
## dtype: DT_FLOAT
## tensor_shape {
## }
## float_val: 1.0
## }
## }
## }
TensorFlow内部使用protocol buffer，它是一种类似JSON的格式，打印出常量操作的node_def可以显示出TensorFlow第一个的protocol buffer视图。
为了在Python高效的数值计算，我们通常使用像NumPy这样库包来实现矩阵乘法等昂贵的操作（费CPU），当然，我们还可以使用其他语言来做这些CPU敏感的任务，但是切换回Python又需要一笔很大的开销，如果你想在GPU上运行这笔开销尤其昂贵，而如果在一个分布式网络中进行计算，其传输数据变成了计算的高成本原因。
TensorFlow也是这样在Python外面进行这种笨重的迁移，但是采取了一些办法降低了这种笨重迁移的开销，从而让我们描述的一个交互操作图可以完全在Python外面运行。鱼和熊掌兼得是TensorFlow巧妙之处。
TensorFlow分离了计算的定义和计算的执行，它们可以分别在不同地方进行，一个图定义了操作，而操作只会在一个会话session中发生，图和会话是独立创建的，图类似计划，而会话类似计划的实施。这种方式被称为懒赋值或懒计算。
对于上面案例中input_value，如果我们打开看看其内部，它不能告诉我这个变量数值是什么，而是指向了一个计算代理：
>>> input_value ## <tf.Tensor 'Const:0' shape=() dtype=float32>
为了确实获得input_value的数值，我们需要创建一个会话session，在这个会话中，图操作才能真正被计算，这需要我们显式明确命令其运行一次：
>>> sess = tf.Session() >>> sess.run(input_value) ## 1.0
上面通过会话的run命令才能真正计算出input_value的数值。
下面我们看看TensorFlow的神经元.