PYTHON DAY4 TensorFlow概念
安装TensorFlow中，先学习相关理论（昨天玩塞尔达去了 反思1s
TensorFlow是机器学习和深度学习的工具。
除了主要的包，还有其他的库
- TensorBoard——TensorFlow内部图的可视化工具
- TensorFlow Fold——生成动态计算图表
- TensorFlow Transform——生成和管理输入数据管道
直接这么说也不清楚，首先记录一下TensorFlow（以下简写tf）的基本概念。
#4.1 数据流图
tf基于图的组织和使用记忆数据在图中的流动，充分利用这样的结构来实现数学运算。
在tf运行时内部创建的图叫做数据流图。
数据流图的节点表示数学运算，边表示张量（多维数组）。
数据流图根据运行时的数学模型构建，数学模型则是待执行计算的基础。tf支持编写代码执行一系列指令来定义数学模型，tf负责将模型转换为内部数据流图。
因此，搭建的深度学习神经网络模型也将转换为数据流图。由于神经网络结构和图的数学表示相似，该库适用于深度学习项目的开发也就自然而然。
另外，tf并不局限于深度学习的领域，还常用于表示人工神经网络。
要使用TensorFlow，首先需要安装java环境和TensorFlow库：
- 首先给本机安装java环境
， - 然后在Anaconda Prompt中输入conda install tensorflow，
- 等待大约十分钟后
， - 在python中
就可以了。
#4.2 基本概念
tf采用模型和会话的概念，以一系列待定命令定义程序的结构。
##4.2.1 模型
模型是tf 项目的基础，它包括定义系统的全部变量。
可直接定义变量或者用常量组成的数学表达式，如下图所示就是定义变量的过程：
在查看这些值的时候，输出的并不是值（6），而是一个对象：
实际上定义的变量属于tf的数据流图（前面说了，这个由节点和边组成，用来表示数学模型）。获取模型的值，需要使用会话。
深度学习中，直接用到的变量是用占位符（placeholder）进行表示,就是说这些张量直接参与数据的流动和每个神经元的处理。占位符用于构建神经网络对应的数据流图，及时不完全了解需要计算的数据，也可以在内部创建运算，因此可以构建图和神经网络的结构。
在实际运用中，给定包含待分析数据x（一个张量）的训练集和期望值y（张量）（张量：用于存放整个神经网络所需的数据），可以定义两个占位符X和Y：
定义了所有相关变量，就是定义了作为神经网络系统基础的数学模型，接下来，需要执行适当的处理，并使用tf.global_variables_initializer()函数来初始化模型：
至此，模型完成了初始化，并且加载到了内存，之后可以开始计算了，但是，计算之前需要跟tf runtime系统通讯，即，需要创建tf会话，会话期间可以执行一系列命令，跟创建的模型对应的基础数据流图进行交互。
##4.2.2 会话
可以用tf.Session()创建一个新的会话。
在会话中，可以执行计算，接受所获取的变量值作为结果，即，可以在处理过程中检查数据流图的状态。
前面说过tf的操作是创建内部图结构为基础的，图中的节点能够处理沿图中连接流动的张量的内部数据。因此，开始一个会话，实际上就是实例化数据流图。
会话主要有两种方法：
- 使用session.extend()在计算过程中改图，比如增加节点或者连接；
- 通过session.run()执行图，获取输出结果
因为一些运算是在同一会话中执行的，所以通常使用with()结构体：tf.session()方法的所有调用都能传给会话。
例如，只查看在模型中定义的变量的值，并输出到终端（能看到y的值是6）：
# 4.3 张量
## 4.3 1 张量的定义
张量是tf库的基本元素，一个张量由3个参数确定：
- 阶（rank）——张量的维度（比如矩阵是2阶，向量则是1阶）
- 形状（shape）——行和列的数量
- 类型——张量元素的类型
张量就是多维数组，所以可以用Numpy创建，并使用tf.convert_to_tensor()转换为tf张量：
*tf.convert_to_tensor()有两个参数，1参是需要转换的数组，2参是要将其转换成的数据类型（比如int32）。
当然，也可以用tf直接创建张量，比如用tf.zero()创建元素全为0的张量（参数为shape），用tf.ones()创建元素全为1的张量（参数为shape），用tf.random_uniform()创建一个元素呈均匀分布的张量（取值范围内所有数出现的可能性相同，参数有4个：shape、minval=、maxval=、dtype=），用tf.random_normal()创建给定均值标准差的正态分布张量（输入参数为shape、mean=、stddev=）。
以tf.random_normal()为例：
## 4.3.2 张量的运算
定义张量后，需要对其执行运算，加、乘、行列式都是比较常见的基本运算。
先，定义两个张量t1和t2：
查看一下：
张量相加使用tf.add()函数，相乘使用tf.matmul()函数：
行列式则是用tf.matrix_determinant()进行计算：
