TensorFlow的使用之基础篇

TensorFlow是目前最火的人工智能开源项目，是谷歌基于DistBelief进行研发的第二代人工智能学习系统，Tensor意为张量，Flow意为流，TensorFlow为张量从图像的一端流动到另一端的计算过程，TensorFlow是将复杂的数据结构传输到人工智能神经网络进行分析与处理

项目简介

TensorFlow目前在GitHub上已斩获10w多个star，是目前最火的人工智能开源框架，支持C，C++，Python客户端版本调用，2017年底已支持Windows，原先只支持Linux/Mac；

TensorFlow可被用于语音识别或图像识别等多项机器深度学习领域，对2011年开发的深度学习基础架构DistBelief进行了各方面的改进，它可在小到一部智能手机、大到数千台数据中心服务器的各种设备上运行。TensorFlow将完全开源，任何人都可以用。

基础知识：张量/矩阵

TensorFlow编程分为两个阶段：构建阶段和执行阶段，前者用于组织计算图，后者利用session执行计算图中的操作；

比如我们利用线性回归算法训练某个区的电力负载情况，那么影响电力负载的因素很多，比如季节，温度，湿度，电价影响等，这些因素可以看成一个个张量，然后可以利用数据拟合，根据历史的训练样本，得出Y = w1A+w2B+...wxZ+b，然后就可以预测未来的电力负荷情况了；

张量是TensorFlow最基础和核心的一个概念，张量是一个按类型划分的多维数组（矩阵），一个张量包括一个静态类型rank和一个shape，比如一小组图像集表示为一个四维浮点数数组，记为[batch,with,height,channels]；

首先了解下矩阵，矩阵是一组数的全体，可排成m行n列，如下：

当m=n时，我们称为N阶矩阵，当主对角线一侧全为0时，称为三角形矩阵，除了主对角线，其他都为0时，称为对角矩阵，当主对角线上元素都为1时，称为单元矩阵，所有元素都0，称为零矩阵；

在TensorFlow中，矩阵的定义是最为常见的，比如我们定义如下矩阵记为A：

在TensorFlow中记为：

如果A,B两个矩阵具有相同的行数和列数，则矩阵可以做加法运算，加法运算就是第i行第j列的矩阵上的数字直接相加即可，即矩阵的C的

如果矩阵A的列数等于B的行数，矩阵可以进行乘法运算，乘法运算的Cij的值为：

比如以上的A矩阵可以和如下的B矩阵进行运算：

A，B两个矩阵相乘后的积为：

利用TensorFlow的矩阵运算代码如下：

在TensorFlow中，如果要遍历一个矩阵的每个元素，可如下：

基础演示

以线性回归算法做个TensorFlow使用的一个演示，根据一组数据X，得出数据Y的，进行Y=wX+b的数据拟合，并给出一个测试集，对拟合效果做个预览，使用TensorFlow编写代码如下：