大家好，本人使用Tensorflow已经有一年多时间，在此期间看了很多相关书籍和博客，我也总结了一些Tensorflow实际使用知识点，我会陆续分享给大家。今天本文先介绍Tensorflow基础知识。
一、Tensorflow的操作是符号运算操作
TensorFlow和其他数值计算库（如Numpy）最显着的区别在于TensorFlow中的操作是符号运算。这是非常强大的概念，它允许TensorFlow执行所有类型操作（例如自动微分），这些都是不能与命令库（如Numpy）一起使用的。这也使得它变得很难掌握。因此我将结合一些例子，以便能快速理解TensorFlow。
二、一个矩阵相乘的简单例子
让我们从一个简单的例子开始，我们想要两个随机矩阵相乘。首先我们看一下Numpy中的一个实现：
现在我们在TensorFlow中执行完全相同的计算：
与立即执行计算结果不同（例如Numpy），TensorFlow只向图中的结果节点提供了一个句柄（张量类型）。我们来打印z的值，得到如下的结果：
Tensor("MatMul:0", shape=(5, 5), dtype=float32)
由于输入都是事先定义好的大小。所以TensorFlow能够推断张量大小以及其类型。为了计算张量的值，我们需要使用Session.run（）方法来创建一个会话并对其进行评估。
三、一个拟合函数的例子
我们通过另一个例子来理解符号计算的强大。假设我们有一条曲线样本，如下所示：
我们想根据这些样本估计f（x）。我们先来定义一个参数函数：
它是输入x和潜在参数w的函数，我们的目标就是寻找潜在参数，使得以下公式成立：
这可以通过最小化以下损失函数来完成。
尽管这个简单问题有封闭形式的解决方法，但我们选择更一般的方法，这可以推广到任意可微分函数，所以我们使用随机梯度下降法来求解潜在参数w。首先我们简单地计算一组采样点上L（w）相对于w的平均梯度，然后再向相反方向移动。在TensorFlow中实现代码：
通过运行这段代码，我们可以看到结果如下：
[[5.00010347e 00],[ -6.03180633e-05],[2.99345398e 00]]
这与我们的参数非常接近。
这只是TensorFlow可做到的冰山一角。只需几行代码，就可以在TensorFlow中高效地实现优化具有百万参数的大型神经网络等问题。此外TensorFlow还支持多设备和线程运行，还支持多种平台。
