Tensorflow1.0菜鸟编程在线编程代码入门50例

Tensorflow1.0经典入门例子代码50例，边学边练习！

您应该了解以下内容：

TensorFlow提供很多API。最低级别的API—TensorFlowCore—提供给你完全的编程控制。我们推荐机器学习研究人员和其他需要对模型进行良好控制的人用TensorFlowCore。更高级别的API构建在TensorFlowCore之上。这些更高级别的API通常比TensorFlowCore更容易学习和使用。另外，更高级别的API使不同用户之间的重复任务更容易，更一致。像tf.estimator这样的高级API可以帮助你管理数据集、估计器、训练和推理。

本指南从TensorFlowCore教程开始。稍后，我们演示如何在tf.estimator中实现相同的模型。了解TensorFlowCore的原理将在的大脑里你留下一个模型，让你在使用更紧凑高级别的API时知道内部是如何工作的。

TensorFlow中数据的中心单元是张量。张量由一组原始值组成，这些原始值被组织成形状为任意维度的数组。张量的秩是其维数。

TensorFlow程序的规范导入语句如下所示：

importtensorflowastf这使得Python可以访问所有TensorFlow的类，方法和符号。本文档的大部分地方假设你已经完成这个导入。

你可能会认为TensorFlowCore程序由两个不同的部分组成：

计算图是排列成节点图的一系列TensorFlow操作。我们来构建一个简单的计算图。每个节点将零个或多个张量作为输入，并生成张量作为输出。一种类型的节点是一个常量。像所有的TensorFlow常量一样，它不需要输入，并输出一个内部存储的值。我们可以创建两个浮点张量node1和node2

请注意，打印节点不会像你预期的那样输出值3.0和4.0。相反，它们是在求值时分别产生3.0和4.0的节点。为了实际评估节点，我们必须在会话内运行计算图。会话封装了TensorFlow运行时的控制和状态。

以下代码创建一个会话对象，然后调用其run方法运行足够的计算图来评估node1和node2。

我们可以通过将Tensor节点与操作相结合来构建更复杂的计算（操作也是节点）。例如，我们可以添加两个常量节点并生成一个新图形

TensorFlow提供了一个名为TensorBoard的实用程序，可以显示计算图的图片。