tensorflow hello world
本文档记录关于tensorflow模块学习中的一些东西。
tensorflow是通用的数据流计算图框架，一般我们都会写上一个简单的hello world例子来简单了解一下目标框架：
h = tf.constant('hello')
w = tf.constant(' world.')
hw = h + w
with tf.Session() as s:
res = s.run(hw)
print(res)
tf.constant 表示一个常量，简单理解就相当于一个不断输出某个数值的节点。hw将两个常量相加，相当于连接两个节点执行了相加操作。tensorflow有个计算图的概念，在这个计算图中，具体计算只有在session回话实际 run 的时候才会执行：
with tf.Session() as sess:
do something
神经网络结构
- 神经元中的数据，或者是输入的，或者是常数，其后神经元的数据则是在数据流动中生成出来的。
- 神经元的连接用权重矩阵表示，某个节点神经元中的数据值 = 前输入层 * 权重矩阵，用数学公式表达可能更好：
$$ data = \begin{bmatrix} x1 & x2 & x3 \end{bmatrix}
\begin{bmatrix} w1\ w2\ w3 \end{bmatrix} $$
第二个神经元的权重在第二列展开，
- 一层一层之间的连接用矩阵乘法表示，即
a = tf.matmul(x, w1)
y = tf.matmul(a, w2)
前一层的输出就是后一层的第一个输入参数。
变量
用 tf.Variable 来定义一个变量，变量相当于一个节点其内数据值是变动的。我们可以用 tf.assign 来手动给某个变量赋值。
placeholder
tf.placeholder 占位节点，和常量相比这个节点暂时还没有数据，是等后面在session 启动之后将通过feed_dict 把数据塞进去。通常外面的数据流输入就输入到placeholder哪里。
tf.placeholder(dtype, [None, dim]) 这里None的意思是不确定要输入多少个数据，后面的dim指定具体输入数据的个数。
初始所有变量
with tf.Session() as sess:
init_op = tf.global_variables_initializer()
sess.run(init_op)