深度學習研究的熱潮持續高漲，各種開源深度學習框架也層出不窮：其中包括TensorFlow、Caffe、Keras、Theano等等。然而，最火的還是TensorFlow。

TensorFlow是由Google Brain開發的深度學習開源框架，也可以理解成是一個相對高階的機器學習庫，使用者能夠以非常簡潔的程式碼設計出複雜的神經網路結構，高效率地進行深度學習演算法的計算。TensorFlow名字來源於本身的原理，Tensor （張量）意味著N維陣列，Flow（流）意味著基於資料流圖的計算。Tensorflow執行過程就是張量從圖的一端流動到另一端的計算過程。張量從圖中流過的直觀影象是這個工具取名為“TensorFlow”的原因。

首先，我們先來掌握一下Tensor的相關概念，Tensor有三個屬性分別是（1）維數；（2）形狀；（3）資料型別。TensorFlow用張量這種資料結構來表示所有的資料。你可以把一個張量想象成一個n維的陣列或列表。維度要看張量的最左邊有多少個左中括號，有n個，則這個張量就是n維張量。張量的形狀以[D0, D1, … Dn-1]的形式表示，D0到Dn是任意的正整數。如形狀[3,4]表示第一維有3個元素，第二維有4個元素，[3,4]表示一個3行4列的矩陣。具體概念，可以看下圖中的舉例。

TensorFlow中最基本的單位是常量（Constant）、變數（Variable）和佔位符（Placeholder）。

常量定義後值和維度不可變，

變數定義後值可變而維度不可變。

（在神經網路中，變數一般可作為儲存權重和其他資訊的矩陣，而常量可作為儲存超引數或其他結構資訊的變數。）

佔位符屬於變數。

以上是Tensor的介紹，下面我們來理解一下Flow的概念。

上圖就是tensorflow的基於計算圖的結構，我們在編寫程式碼的時候，首先心裡一定是先有這個網路結構，按照這個結構去碼程式碼，也就是說這個圖結構是蘊含在程式碼的字裡行間的。

Tensorflow是一個基於圖(Graph)的計算系統。 圖的節點是由操作(Operation)來構成的，圖的各個節點則是由張量(Tensor)作為邊來連線在一起的。所以Tensorflow的計算過程是一個Tensor流向圖。

使用Tensorflow，一般需要三個步驟：

建立Tensor；

新增Operations（Operations輸入Tensor，然後輸出另一個Tensor）；執行計算（也就是執行一個可計算的圖）。

構建好圖結構之後，Tensorflow的圖必須在一個會話 (Session)中來計算。Session提供了Operation執行和Tensor求值的環境。下面是建立Session兩種方法。

掌握了以上這些TensorFlow的概念之後，就可以在github上動手一個小程式了。