TensorFlow 是Google开发的一款神经网络的Python 外部结构包，也是一个采用数据流图来进行数值计算的开源软件库。它被用于语音识别或图像识别等多项机器深度学习领域。

TensorFlow的基本使用

TensorFlow 2 中的 Eager Execution 是一种命令式编程环境，不需要构建计算图，操作会直接返回具体值，可以直接评估操作。使用即时执行模式，可以有更直观的界面，更容易的调试，以及更自然的流程控制，使TensorFlow更易于学习和应用。

知识点

张量

• TensorFlow 使用 张量 （Tensor）作为数据的基本单位，运算操作都是基于张量进行的。
• TensorFlow 的张量在概念上等同于多维数组。
• 张量有多种，零阶张量为 纯量或标量 (scalar)，也就是一个数值，比如 1
• 一阶张量为 向量 (vector)，比如一维的 [1, 2, 3] 二阶张量为 矩阵 (matrix)，比如二维的 [[1, 2, 3],[4, 5, 6], [7, 8, 9]] 以此类推, 还有三阶、三维的 …

每当学习一种新的编程语言时，你输出的第一行代码就是“hello，world！”，同样，为了让大家有这种似曾相识的感觉，先学习输出“hello，TensorFlow！”

#import the library
import tensorflow as tf

#define the graph
hello_op = tf.constant('Hello,TensorFlow!')
a = tf.constant(10)
b = tf.constant(32)
compute_op = tf.add(a,b)

#define the session to run graph
sess = tf.compat.v1.Session()
print(sess.run(hello_op))
print(sess.run(compute_op))

注：上面这段代码同样可以用更少的代码输出相同的结果，那么为什么要使用tf.constant()和tf.Session()呢？其实是Tensorflow通过Graph和Session来定义运行的模型和训练。

结果如下

接下来，会陆续介绍一些通用深度学习模型，待续。。。