本系列推送主要參考： Stanford University CS20SI: Tensorflow for Deep Learning Research.
TensorFlow哲學
separates definition of computations from their execution
對定義計算，計算的執行，做了分離。
Tensor是什麼？
Tensor是一個 n 維數組：
0-d tensor: scalar （標量）
1-d tensor: vector （向量）
2-d tensor: matrix（矩陣）
等等
數據流圖
以上就是數據流圖。
下面從最簡單的圖開始：
import tensorflow as tf
a = tf.add(3, 5)
通過TensorBoard進行可視化：
為什麼是 x, y ?
TF 自動地命名節點，當我們沒有顯示地指定節點名稱時，
x = 3
y = 5
接下來，我們列印 a，看看發生什麼：
print (a)
Tensor("Add:0", shape=(), dtype=int32)
圖graph只是定義了操作operations , 如何得到a的值？
執行環境：Session
創建一個Session，並在這個Session中執行上面的圖，抓取到 a 的值。
創建sess，並在當前的sess中執行圖：
with tf.Session() as sess:
print(sess.run(a))
Session對象，封裝了TF的執行環境。大家如果開發過多線程，分布式軟體的話，對於Session的理解可能更容易些，Session尤其對於高並發環境，並行計算顯得更重要。
記住
圖graph只是定義了操作operations，但是操作operations只能在session裡面執行，但是graph和session是獨立創建的。
Tensorboard入門
以windows下的使用Tensorboard為例，如果在Linux系統下，請在個別地方做出修改。
首先，必須在終端啟動tensorboard，如果採用anaconda安裝地話，在目錄Anaconda3\Scripts下有個啟動項: tensorboard.exe，這就是tensorboard的服務端。在cmd窗口，cd 到這個目錄。
然後，編寫tensorboard，代碼：
import tensorflow as tf
with tf.name_scope('input1'):
input1 = tf.constant(3.0,name='input1')
with tf.name_scope('input2'):
input2 = tf.constant(5.0,name='input2')
output = tf.add(input1,input2,name='add')
with tf.Session() as sess:
output = sess.run(output)
graph = tf.get_default_graph()
#將日誌文件寫入到目錄../log/下
writer = tf.summary.FileWriter('log',graph)
writer.close()
這樣在log文件夾下，增加了一個event文件，
再在終端，輸入 tensorboard.exe --logdir = 剛在生成的log文件夾的絕對路徑，回車，這樣服務端就啟動了，
接下來，啟動客戶端，即瀏覽器，輸入localhost:6006，埠是6006，選中graphs，得到如下的可視化圖：
點擊「閱讀原文」，獲取tensorflow入門相關代碼的github連結，歡迎star or fork.
算法channel會有系統地，認真地推送：機器學習（包含深度學習，強化學習等）的理論，算法，實踐，源碼實現。期待您的參與！