第1章

TensorFlow基础

本章讨论深度学习框架TensorFlow的基础概念。深度学习在模式识别方向，尤其是在图像、声音、语音、语言和时间序列数据上表现出色。运用深度学习，你可以对数据进行分类、预测、聚类以及提取特征。2015年11月，谷歌发布了TensorFlow。TensorFlow在谷歌的大多数产品，比如谷歌搜索、垃圾邮件检测、语音识别、谷歌助手、谷歌即时桌面以及谷歌相册中得到了运用。

TensorFlow具有实施部分子图计算的独特功能，因此可以通过分割神经网络的方式进行分布式训练。换句话说，就是TensorFlow允许模型并行和数据并行。TensorFlow提供了多种API。最低阶的API—TensorFlow Core—可以提供完整的编程控制。

关于TensorFlow要注意以下几个要点：

图是对于计算的一种描述。

图包含作为操作的节点。

在一个给定的会话语境中执行计算。

对于任何计算过程而言，图一定是在一个会话里启动。

会话将图操作加载到像CPU或者GPU这样的设备上。

会话提供执行图操作的方法。

关于安装，请访问https://www.tensorflow.org/install/。

1.1　张量

在学习TensorFlow库之前，我们先熟悉一下TensorFlow中的基本数据单元。张量是一个数学对象，它是对标量、向量和矩阵的泛化。张量可以表示为一个多维数组。零秩（阶）张量就是标量。向量或者数组是秩为1的张量，而矩阵是秩为2的张量。简言之，张量可以被认为是一个n维数组。

下面是一些张量的例子：

5：秩为0的张量，这是一个形状为[ ]的标量。

[2.,5.,3.]：秩为1的张量，这是一个形状为[3]的向量。

[[1.,2.,7.],[3.,5.,4.]]：秩为2的张量，这是一个形状为[2,3]的矩阵。

[[[1.,2.,3.]],[[7.,8.,9.]]]：秩为3的张量，其形状为[2,1,3]。