一.背景
本人学习Tensorflow是为了完成毕业设计的工作，之前并没有用过其他的深度学习平台，Tensorflow作为当前很流行的一个平台，无论是教学文档，还是使用其开发的工程，这些资源都是很丰富的，所以很适合新手来进行入门。Tensorflow的具体背景我就不过多的介绍了，网上有很多的资源。另外我写这一系列博客的目的是激励自己吧，逼着自己学得更透彻一点，毕竟会用和能熟悉的写成教程还是两码事，希望自己能坚持下去。
2.Tensorflow安装
我使用的是自己的笔记本电脑，配置是i7-6700hq + GTX1066，系统是Ubuntu 16.04。Tensorflow相对来说还是比较容易安装的，其中安装CUDA和Cudnn比较费劲，但网上的教程也很多，去搜一下就可以了。我是使用Anaconda的方式安装的Tensorflow，因为我之前使用的都是python3.5,但是我要跑得tensorflow项目都是基于2.7的版本，为了防止两种python版本冲突之类的事情发生，我选择使用anaconda。anaconda用来管理python包是一种很强大的存在，推荐大家使用。之后的安装就很简单的，激活一个环境，使用pip安装即可。
3.Tensorflow基本使用
Tensorflow是通过如下方式进行计算的：
- 使用图（graph）来表示计算任务
- 在会话（Session）的上下文（context）中执行图
- 使用tensor表示数据
- 通过变量（Variable）维护状态
- 使用feed和fetch可以为任何操作赋值或者从其中获取数据
这里就引用官方文档的了：
TensorFlow是一个编程系统，使用图来表示计算任务。图中的节点被称之为op（operation）。每一个op获得0个或多个Tensor，执行计算，产生0个或多个Tensor。每个Tensor是一个类型化的多维数组。例如，你可以将一小组图像集表示为一个四维浮点数组，着四个维度分别是[batch, height, width, channels]。
一个TensorFlow图描述了计算的过程。为了进行计算，图必须在会话里被启动。会话将图的op分发到诸如cpu或gpu之类的设备上，同时提供执行op的方法。这些方法执行后，将产生的Tensor返回。在Python语言中，返回的tensor是numpy ndarray对象。
计算图
TensorFlow程序通常被组织成一个构建阶段和一个执行阶段。在构建阶段，op的执行步骤被描述成一个图。在执行阶段，使用会话执行图中的op。
例如，通常在构建阶段创建一个图来表示和训练神经网络，然后在执行阶段反复执行图中的训练op。
通常我们在构建阶段搭建神经网络框架，在执行阶段，通过迭代来训练参数。
下面是一个例子，也是所有语言的第一个程序，也就是helloworld。
import tensorflow as tf hello = tf.constant(‘Hello, Tensorflow!‘) sess = tf.Session() print sess.run(hello) a = tf.constant(10) b = tf.constant(20) print sess.run(a+b)
其中tf.constant()是在构建，而sess.run()则是在运行