本章節(jié)主要學(xué)習(xí)TensorFlow的基礎(chǔ)語法及功能函數(shù)。學(xué)完本章后，TensorFlow代碼對你來講將不再陌生，你可以很輕易看懂網(wǎng)上和書中例子的代碼，并可以嘗試寫一些簡單的模型或算法。

　　學(xué)習(xí)一個開發(fā)環(huán)境應(yīng)先從其內(nèi)部入手，會起到一個事半功倍的效果。先從編程模型開始了解其運行機制，然后再介紹TensorFlow常用操作及功能函數(shù)，最后是共享變量、圖和分布式部署。

　　TensorFlow的命名來源于本身的運行原理。Tensor（張量）意味著N維數(shù)組，F(xiàn)low（流）意味著基于數(shù)據(jù)流圖的計算。TensorFlow是張量從圖像的一端流動到另一端的計算過程，這也是TensorFlow的編程模型。

　　TensorFlow的運行機制屬于“定義”與“運行”相分離。從操作層面可以抽象成兩種：模型構(gòu)建和模型運行。 在模型構(gòu)建過程中，需要先了解幾個概念，見表4-1。

　　表4-1中定義的內(nèi)容都是在一個叫做“圖”的容器中完成的。關(guān)于“圖”，有以下幾點需要理解。?

　　一個“圖”代表一個計算任務(wù)。?

　　在模型運行的環(huán)節(jié)中，“圖”會在繪話（session）里被啟動。?

　　session將圖的 OP 分發(fā)到諸如CPU或GPU之類的設(shè)備上， 同時提供執(zhí)行OP的方法。這些方法執(zhí)行后，將產(chǎn)生的tensor返回。在Python語言中，返回的tensor是numpy ndarray對象；在C和C++語言中，返回的tensor是TensorFlow：：Tensor實例。

　　如圖4-1表示了session與圖的工作關(guān)系。