用tensorflow這樣工具的原因是：它允許我們用計算圖（computational graphs）的方式建立網路.
下面就是對計算圖的直觀講解。
例如：計算圖所建立的只是乙個網路框架。在程式設計時，並不會有任何實際值出現在框架中。所有權重和偏移都是框架中的一部分，初始時至少給定初始值才能形成框架。因此需要initialization初始化。
請模擬管道構建來理解計算圖的用法
構造階段（construction phase）：
組裝計算圖（管道）
計算圖（graph）：
要組裝的結構。由許多操作組成。
操作（ops）：
接受（流入）零個或多個輸入（液體），返回（流出）零個或多個輸出。
資料型別：
主要分為張量（tensor）、變數（variable）和常量（constant）
張量：多維array或list（管道中的液體）
tensor_name=tf.placeholder(type, shape, name)dtype: 資料型別
shape: 張量
name: 名稱(可選引數)
例如:
x = tf.placeholder(float, shape=(1024, 1024))在同一時刻對圖中所有其他操作都保持靜態的資料（管道中的閥門）
####建立語句：
name_variable = tf.variable(value, name)init_op=variable.initializer()init_op=tf.initialize_all_variables()update_op=tf.assign(variable to be updated, new_value)無需初始化的變數
建立語句：
name_constant=tf.constant(value)使用計算圖（獲取液體）
會話：執行（launch）構建的計算圖。可選擇執行裝置：單個電腦的cpu、gpu，或電腦分布式甚至手機。
建立語句：常規
sess = tf.session()sess = tf.interactivesession()關閉
sess.close()執行語句：
sess.run(op)語句：
sess.run([output], feed_dict=)語句：單值獲取
sess.run(one op)sess.run([a list of ops])深度學習筆記
在深度神經網路中，通常使用一種叫修正線性單元 rectified linear unit，relu 作為神經元的啟用函式。relu函式其實是分段線性函式，把所有的負值都變為0，而正值不變，這種操作被成為單側抑制。可別小看這個簡單的操作，正因為有了這單側抑制，才使得神經網路中的神經元也具有了稀疏啟用性...
深度學習筆記
如果沒有啟用函式，或則是線性啟用函式，g z z,那麼在深度神經網路中，相當於都做的是線性變換，多個線性變換的組合還是線性變換。這樣的結果和邏輯回歸沒什麼區別，也就是說，這種情況下，無論神經網路的深度有多深，也就等價於乙個一層的網路，隱藏層沒什麼作用。因此需要非線性啟用函式。1.什麼時候插入，ski...
深度學習筆記
tensorflow 不僅是乙個實現機器學習演算法的介面，也是一種框架，也可用於線性回歸 邏輯回歸 隨機森林等演算法 tensorflow 使用資料流圖來規劃計算流程，每個運算操作作為乙個節點 node，節點之間的連線稱為邊，邊中流動的資料稱為張量，故而得名 tensorflow，預算操作可以有自己...