基本概念
1、基于Tensorflow的NN(neural network)用张量表示数据，用计算图搭建神经网络，用会话执行运算图，优化线上的权重，得到模型。
0阶张量称作标量，表示一个单独的数，如s=12；
1阶张量称作向量，表示一个一维数组（列表）,如V=[1,2,3]；
2阶张量称作矩阵，表示一个二维数组（列表），它可以有i行j列个元素，每个元素可以用行号和列号共同索引到，
如m=[[1,2,3],[4,5,6],[7,8,9]]；
t=[[[...]]]为三阶张量。
2，数据类型:Tensorflow的数据类型有tf.float32、tf.int32等。
例如我们实现tensorflow的加法：
import tensorflow as tf#引入模块
a = tf.constant([1.0,2.0])#定义一个张量等于[1.0,2.0],constant表示是一个常量
b = tf.constant([3.0,4.0])#定义一个张量等于[3.0,4.0]
result = a+b#实现a和b的加法
print(result)#打印出结果
结果：
意思是result是一个名称为add_2:0的张量，shape=(2,)表示一维数组长度为2，dtype=float32表示数据类型为浮点型。
3，计算图（Graph）：搭建神经网络的计算过程，是承载一个或多个计算节点的一张图，只搭建网络，不计算。
举例：
我们知道神经网络的基本模型是神经元，神经元的基本模型其实就是数学中的乘法、加法运算，我们搭建如下的计算图：
下面实现上述计算图：
import tensorflow as tf#引入模块
#矩阵相乘运算matmul()函数
x = tf.constant([[1.0,2.0]])#定义一个二阶张量
y = tf.constant([[3.0],[4.0]])#定义一个二阶张量
r = tf.matmul(x,y)#实现xy矩阵相乘
print(r)#打印出结果
结果：
结果中显示y是一个1行1列的二维数组（张量），只搭建了计算过程的计算图，并没有运算，如果我们想得到结果就需要用到"会话Session()"了。
4，会话（Session）:执行计算图中的节点运算。
我们使用with结构实现，语法如下：
with tf.Session() as sess:
print(sess.run(y))
举例：
对于之前我们所描述的计算图，我们执行Session()会话可以得到矩阵相乘结果：
import tensorflow as tf#引入模块
x = tf.constant([[1.0,2.0]])#一行两列二阶张量
y = tf.constant([[3.0],[4.0]])#两行一列二阶张量
r = tf.matmul(x,y)#实现矩阵乘法
print(r)#打印出结果
with tf.Session() as sess:
print(sess.run(r))#执行会话并打印出执行后的结果
运行结果:
我们可以看出，运行Session()会话前只打印出y是个张量的提示，运行Session()会话后打印出了y的结果1.0*3.0+2.0*4.0=11.0。
5、神经网络参数
神经网络的参数：是指神经元线上的权重w，用变量表示，一般会随机生成这些参数。生成参数的方法是让w等于tf.Variable,把生成的方式写在括号里。
神经网络中常用的生成随机数/数组的函数有：
举例
w=tf.Variable(tf.random_normal([2,3],stddev=2,mean=0,seed=1))
#表示生成正态分布随机数，形状两行三列，标准差是2，均值是0，随机种子是1
w=tf.Variable(tf.Truncated_normal([2,3],stddev=2,mean=0,seed=1))
#表示去掉偏离过大的正态分布，也就是如果随机出来的数据偏离平均值超过两个标准差，将重新生成随机数
tf.zeros([3,2],int32) 表示生成[[0,0],[0,0],[0,0]]
tf.constant([3,2,1])生成[3,2,1]
注意：随机种子如果去掉每次生成的随机数将不一致；如果没有特殊要求，标准差、均值、随机种子是可以不写的。
6、神经网络的搭建
当我们知道张量、计算图、会话和参数后，我们就可以讨论神经网络的实现过程了。
神经网络的实现过程：
基于神经网络的机器学习主要分为两个过程：训练过程和使用过程。训练过程是第一步、第二步、第三步的循环迭代，使用过程是第四步，一旦参数优化完成就可以固定这些参数，实现特定应用了。
很多情况下，我们会使用现有的成熟网络结构，喂入新的数据，训练相应模型，判断是否都能够对喂入的从未见过的新数据做出正确响应，再适当更改网络结构，反复迭代，让机器自动训练参数找出优化结构和参数，一固定专用模型。
来源：CSDN
作者：小菜鸟也想飞起来
链接：https://blog.csdn.net/qq_38549584/article/details/104574234