一、TensorFlow 简介
TensorFlow 是 Google 开源的一款人工智能学习系统。为什么叫这个名字呢？
Tensor 的意思是张量，代表 N 维数组；Flow 的意思是流，代表基于数据流图的计算。
把 N 维数字从流图的一端流动到另一端的过程，就是人工智能神经网络进行分析和处理的过程。
话说在 Android 占领了移动端后，Google开源了 TensorFlow，希望占领 AI 端。
TF的特点是可以支持多种设备，大到 GPU、CPU，小到平板和手机都可以跑起来 TF。
而且 TF 的使用很方便，几行代码就能开始跑模型，这让神经网络的入门变得非常简单。
二、TensorFlow 的安装
因为精力有限，此处只介绍在windows10平台上的安装，其他平台的安装方法google上一抓一大把。
我安装的方法是用最简单粗暴的方法：Anaconda
1.在Anaconda官网上下载64位
（注意自己的python的版本）
在安装过程注意的一点是勾选如下图中的两个选项，其他的默认即可：
2.安装成功后打开Anaconda，切换到environment功能栏，可以看到很多的工具包，搜索Tensorflow，勾选上，然后点击Apply，进行安装即可。
三、TensorFlow的基础运算
在搞神经网络之前，先让我们把 TensorFlow 的基本运算，也就是加减乘除搞清楚。
首先，TensorFlow 有几个概念需要进行明确：
图（Graph）：用来表示计算任务，也就我们要做的一些操作。
会话（Session）：建立会话，此时会生成一张空图；在会话中添加节点和边，形成一张图，一个会话可以有多个图，通过执行这些图得到结果。
如果把每个图看做一个车床，那会话就是一个车间，里面有若干个车床，用来把数据生产成结果。
Tensor：用来表示数据，是我们的原料。
变量（Variable）：用来记录一些数据和状态，是我们的容器。
- feed和fetch：可以为任意的操作（arbitrary operation ) 赋值或者从其中获取数据。相当于一些铲子，可以操作数据。
形象的比喻是：把会话看做车间，图看做车床，里面用 Tensor 做原料，变量做容器，feed 和 fetch 做铲子，把数据加工成我们的结果。
创建图和运行图
下面我们创建一个图，并在 Session 中执行它，不用担心看不懂，每句代码都会注释，只有有编程基础，都能 OK：
#引入TensorFlow包
import tensorflow as tf
#创建一个常量v1，它是1*2的矩阵
v1=tf.constant([[2,3]])
#创建一个常量v2,它是2*1的矩阵
v2=tf.constant([[2],[3]])
#创建一个矩阵乘法，这里要注意的是，创建了乘法后，是不会立即执行的，要在会话中执行才行
product=tf.matmul(v1,v2)
#打印，得到的不是乘法的结果，而是得到乘法本身
print(product)
#定义一个会话
sess=tf.Session()
#运行乘法，得到结果
result=sess.run(product)
#打印结果
print(result)
#关闭会话
sess.close()上面就是用 TensorFlow 进行了一个最简单的矩阵乘法。
创建一个变量，并用 for 循环对变量进行赋值操作
#创建一个变量num
num = tf.Variable(0,name = "count")
#创建一个加法操作，把当前的数字加10
new_value = tf.add(num,10)
#创建一个赋值操作，将new_value的值赋值给num
op = tf.assign(num,new_value)
#使用这种写法，在运行完毕以后，会话自动关闭
with tf.Session() as sess:
#初始化变量
sess.run(tf.global_variables_initializer())
#打印num的初始值
print(sess.run(num))
#创建一个for循环，每次给num+10，并打印出来
for i in range(5):
sess.run(op)
print(sess.run(num))
可以看到，除了变量创建稍微麻烦一些和必须建立 session 来运行，其他的操作基本和普通Python一样。
通过 feed 设置 placeholder 的值
有的时候，我们会在声明变量的时候不赋值，计算的时候才进行赋值，这个时候 feed 就派上用场了
#创建一个变量占位符input1
input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)
#创建一个乘法操作，把input1和input2相乘
new_value=tf.multiply(input1,input2)
#使用这种写法，运行完毕后，会话会自动关闭
with tf.Session() as sess:
#打印new_value的值，在运算时，用feed设置两个输入的值
print(sess.run(new_value,feed_dict={input1:23.0,input2:11.0}))