tensorflow 机器学习框架（2）

今天继续机器学习，我们的到底是机器学习还是深度学习，我们先看一看他们之间的关系

人工智能、机器学习和深度学习是非常相关的几个领域。图3总结了它们之间的关系。人工智能是一类非常广泛的问题，机器学习是解决这类问题的一个重要手段，深度学习则是机器学习的一个分支。在很多人工智能问题上，深度学习的方法突破了传统机器学习方法的瓶颈，推动了人工智能领域的发展。

上面是神经元结构图，神经网络是一种运算模型，是对神经元的抽象，由大量的节点（或称神经元）之间相互联接构成。每个节点代表一种特定的输出函数，称为激活函数（activation function）。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重（weight），神经网络就是通过这种方式来模拟人类的记忆。网络的输出则取决于网络的结构、网络的连接方式、权重和激活函数。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。

了介绍神经网络的前向传播算法，需要先了解神经元的结构。神经元是构成一个神经网络的最小单元，看起来和神经元结构图相似，上图显示了一个神经元的结构

上一次我们给大家带一些代码，但是并没有对其进行解释

TensorFlow对Python语言的支持是最全面的，所以本文中将使用Python来编写TensorFlow程序。下面的程序给出一个简单的TensorFlow demo程序来实现两个向量求积。

我们定义两个常量分别 x1, x2, 然后对其进行乘法运输，我们并没直接运算，而是将表达式保存在 session ，随后调用 session 的 run 方法才真正进行运算。

接下来最重要的一步就是创建一个session，用来计算生成的符号表达式。实际上，到现在为止TensorFlow代码并没有被执行。需要再次强调，TensorFlow既是一个表示机器学习算法的接口，又是运行机器学习算法的实现，该示例就是一个很好的例子。

通过Session（）接口创建一个session后，只有调用run()方法后才开始真正的被执行。在这个代码示例中，变量的值通过feed_dict参数传给run（）。相关代码解析表达式并显示乘法结果为30再退出。

通过这个示例，我想阐明的是，正常使用TensorFlow编程的步骤为：首先定义实现整个问题，其次，创建一个session来运行相关计算。

TensorFlow的名字中已经说明了它最重要的两个概念——Tensor和Flow。Tensor就是张量。在TensorFlow中，所有的数据都通过张量的形式来表示。从功能的角度上看，张量可以被简单理解为多维数组。但张量在TensorFlow中的实现并不是直接采用数组的形式，它只是对TensorFlow中运算结果的引用。在张量中并没有真正保存数字，它保存的是如何得到这些数字的计算过程。在上面给出的测试样例程序中，第一个print输出的只是一个引用而不是计算结果。

一个张量中主要保存了三个属性：名字（name）、维度（shape）和类型（type）。张量的第一个属性名字不仅是一个张量的唯一标识符，它同样也给出了这个张量是如何计算出来的。张量的命名是通过“node:src_output”的形式来给出。其中node为计算节点的名称，src_output表示当前张量来自节点的第几个输出。

比如张量“add:0”就说明了result这个张量是计算节点“add”输出的第一个结果（编号从0开始）。张量的第二个属性是张量的维度（shape）。这个属性描述了一个张量的维度信息。比如“shape=(2,) ”说明了张量result是一个一维数组，这个数组的长度为2。张量的第三个属性是类型（type），每一个张量会有一个唯一的类型。TensorFlow会对参与运算的所有张量进行类型的检查，当发现类型不匹配时会报错。

如果说TensorFlow的第一个词Tensor表明了它的数据结构，那么Flow则体现了它的计算模型。Flow翻译成中文就是“流”，它直观地表达了张量之间通过计算相互转化的过程。