1. 什么是tensorflow

google开源的深度学习框架，能很好地支持深度学习算法，能适应各种平台且稳定性很高，也有很好的维护和更新。

它分成tensor和flow两部分

它在github上的star数量和深度学习框架评分中都遥遥领先（可能已经过时）

2. 版本

2015.9 0.1版，是alphaGo用的深度学习框架

2017.2 1.0版本

2019.3 2.0版本，对1.0做了优化，但有些地方不完全兼容

由于学习视频比较老，仍用了1.14的版本教学

3. 能做什么？

语音识别

自动驾驶等等

4. 特点

4.1. 灵活可扩展

4.2. 多语言

本身是用C++写的，但支持多种语言

4.3. GPU

支持GPU，能够快速地计算

4.4. 多平台

跨平台性非常好

4.5. 运算性能强

4.6. 支持分布式运算

5. 架构

应用层：训练相关库、预测相关库

客户端：python/C++/Java/Go

核心API

计算分布：分布式计算图、本地计算图

数据操作层：Const/Var/matmul/Conv2D

硬件：CPU/GPU

6. 基础概念

6.1. 组成

6.1.1. 张量

tensor，数据载体

6.1.2. flow，计算图

数据流图，即变量计算图，比如定义z=x+y，并不计算，要调用后才计算

定义好数据后像流水一样一步步运行

6.1.3. 算子

6.1.4. 会话

定义计算图后要开启一个会话才会计算

6.1.5. 变量

使用占位符，后续再补充，或者直接定义变量

6.1.6. API

tensorflow里提供的一些算法和函数

7. 如何搭建神经网络

7.1. 定义输入节点

输入层的定义

会用到6.1.5.的变量

7.2. 定义”学习参数“的变量

主要是学习中用到的超参数，比如梯度下降中的学习率，批训练中的batch_size等

7.3. 定义运算

就是上面说的计算图，它们属于隐藏层

比如全连接神经网络就是一个矩阵运算，可以定义在计算图里面

tf.layers.dense，其实就是一个wx+b的过程

也可以是CNN、RNN等

tf.layers.conv2d
tf.layers.max_pooling2d，这是最大池化，还有平均池化，最小池化等

tf.nn.rnn_cell.BasicRNNCell，这些现在一般很少用

tf.contrib.rnn.BasicLSTMCell，长短记忆神经网络，比较复杂，效果也比较好，解决了传统神经网络梯度消失问题，但计算量增加了很多

tf.contrib.rnn.GRUCell，相对上一个不会差很多，但减少了计算量

7.4. 优化函数/优化目标

实际上就是梯度下降函数和损失函数

7.5. 初始化所有变量

运算前需要初始化所有变量，包括前面定义的超参数和计算图

7.6. 模型训练

是一个反复迭代的训练过程，把我们定义的优化函数更新到最优

7.7. 测试模型

拿准备好的测试集进行测试

7.8. 使用模型

需要本地保存并在后续使用中导入