在windows10上快速安装tensorflow
TensorFlow如何工作？
TensorFlow能够在不同设备上（如CPU和GPU）工作。TensorFlow将计算（computations）定义为图（Graphs），图形是由各种操作（ops）组成。所以，当我们要运行TensorFlow时，首先定义图中的一系列操作。
为了启动这些操作以计算，我们必须先在图中打开会话（session）。会话将这些操作转换和传递给要执行它们的设备的CPU或GPU。
例如，下图表示TensorFlow中的一个图。W，x和b都是定义在该图边上的张量（tensors）MatMul是对张量W和x的具体操作，然后调用Add，并将b与先前得到结果相加。每一个操作得到的结果张量都可以继续传递给下一个操作，直到你得到你想要的结果为止。
TensorFlow的图
导入TensorFlow
为了使用TensorFlow，我们需要先导入TensorFlow模块，并给它取名为“tf”，所以当我们调用此模块中的函数使使用tf.module-name即可：
import tensorflow as tf
建立图
正如之前所说，TensorFlow以图模型计算。让我们先建立我们第一个图。我们使用源操作建立我们的第一个图，这不需要任何输入信息。这些源操作（source ops）将它们的信息传递给执行计算的其它操作。要创建两个输出数字的源操作我们将定义两个常数。
a = tf.constant([2])
b = tf.constant([3])
然后，我们对这些变量（常量）进行操作，tf.add()函数将两个变量相加（通常你看到的加法运算时c=a+b）
c = tf.add(a,b) #c = a + b 也是定义两个数和的一种方法
启动并初始化会话，运行我们的代码。我们先定义会话：
session = tf.Session()
让我们运行会话，得c的值：
result = session.run(c)
print(result)
最后关闭会话，释放资源：
session.close()
为了避免每次都关闭会话，我们可以将其定义在with块（block）中，当每次运行结束后会话将自动关闭：
什么是Tensor？
在TensorFlow中，所有数据在计算图中的操作之间传递，并且都有Tensors的形式传递，因此有了TensorFlow这个名称。“tensor”一词来源于新拉丁语“hat which stretches”。tensor是一个数学对象，早期用于材料的拉伸变形研究中，现在tensor可用于表示多维数组。
那么什么是多维数组呢？
让我们回到物理学来理解维度的概念：
维度
零维可以视为点，单个对象或单个项目；一维可以看作一条线，一个一维数组可以看作是沿着这条线的数字排列，或者沿着这条线的点排列；二维可以看作一个表面；三维可以看作是体积；四维可以被看作是超空间或时空，或随时间变化的体积，等等..
总结：
使用TensorFlow定义多维数组
现在使用TensorFlow定义如下数组：
输出结果如下：
现在，你应该已经理解了这些数据结构，我鼓励你自己使用先前的一些函数去测试、理解它们是如何工作的。举个例子：
为什么选择Tensors？
Tensor这种数据结构对于我们处理图片时很有帮助，这是由图像中的信息被如何编码的本质所决定的。考虑一张图片，很容易理解它有长度和宽度，所以用二维结构（矩阵）来表示它的信息是有道理的。但是，图片不仅仅具有长度和宽度，还有颜色，所以我们必须增加颜色的信息，我们就还需要另一个维度，这样的tensor才是特别有帮助的。
将图片在不同的颜色通道中进行编码。给定点处的图片数据表示在每个颜色通道中的颜色强度，最常见的是采用RGB方式，RGB意味着3种颜色通道，即是红色、蓝色和绿色。图片中包含的信息是每个颜色通道中的强度，如下所示：
因此，每个具有长度和宽度的点的红色通道的强度可以表示成一个矩阵，这对于蓝色和绿色通道也是一样，因此最终我们得到了3个矩阵，将这3个矩阵组合在一起就形成了张量。
变量
在TensorFlow中怎样处理变量？为了定义变量，我们使用tf.variable()函数。为了能够在计算图中使用变量，有必要在运行会话前初始化它们。初始化命令是tf.initialize_all_variables()。当要更新变量的值时，只需运行一次赋值操作将值赋给变量：
state = tf.Variable(0)
让我们创建一个简单的计算器，每次增加一个单位
one = tf.constant(1)
new_value = tf.add(state, one)
update = tf.assign(state, new_value)
变量必须在启动图形后通过初始化操作来初始化。 我们首先必须向图中添加初始化操作：
init_op = tf.initialize_all_variables()
然后我们启动会话来运行图形，首先初始化变量，然后打印state变量的初始值，然后再运行更新的state变量并输出每次更新后的结果：
输出结果：
1
2
3
4
占位符（Placeholders）
现在我们知道如何操纵TensorFlow中的变量，但是在TensorFlow模型之外怎么提供数据呢？如果要将数据从模型外部馈送到TensorFlow模型，则需要使用占位符。
那么占位符是什么呢？
占位符在模型中可以被视为“holes”，您可以将数据通过“holes”传递给模型，使用tf.placeholder（datatype）来创建，其中datatyp是e指定的数据类型（整数，浮点数，字符串，布尔值）及其精度（8,16,32,64）位。
使用python的语法， 每个数据类型被定义为：
Python语法中的TensorFlow的数据类型
所以我们使用如下命令创建一个占位符：
a=tf.placeholder(tf.float32)
简单的乘法运算：
b=a*2
现在我们需要定义和运行会话，但是由于我们在模型中创建了一个“hole”来传递数据，所以当我们初始化会话时，我们必须使用数据来传递一个参数，否则会得到一个错误。为了将数据传递给模型，我们需要在会话中使用一个额外的参数feed_dict，其中我们应该传递一个字典，字典中是与每个占位符名称相对应的数据，如下所示：
输出结果：
7.0
由于TensorFlow中的数据是以多维数组的形式传递，我们可以向占位符传递任何类型的张量，以获得简单的乘法运算的答案：
输出结果：
操作
图上的结点（nodes）表示数学意义上的操作。这些操作可以是任何函数，如add,subtract,或者激活函数。tf.matmul，tf.add，tf.nn.sigmoid（是TensorFlow中的激活函数）是TensorFlow中的一些操作。 这与python中的函数类似，但是这些函数直接作用对象是张量，图中的每个结点也仅仅做一件明确的事情。