一，tensorflow的简介
Tensorflow是一个采用数据流图，用于数值计算的 开源软件库。节点在图中表示数字操作，图中的线 则表示在节点间相互联系的多维数据数组，即张量 它灵活的架构让你可以在多种平台上展开计算，例 如台式计算机中的一个或多个CPU（或GPU）， 服务器，移动设备等等。Tensorflow最初由Google 大脑小组的研究员和工程师们开发出来，用于机器 学习和深度神经网络方面的研究，但这个系统的通 用性使其也可广泛用于其他计算领域。
二，tensorflow的架构
TensorFlow的系统结构以C API为界，将整个系统分为「前端」和「后端」两个子系统。
前端系统 提供多语言编程环境，提供统一的编程模型支撑用户构造计算图 通过Session的形式，连接TensorFlow后端的「运行时」，启动计算图的执行过程。
后端系统 提供运行时环境，负责执行计算图。
三，tensorflow的简单实现步骤
1，定义一个神经层的函数： 神经层里常见的参数通常有weights、biases和激励函数。
2，导入数据 构建所需的数据。
3，搭建网络 先定义隐藏层，再定义输出层，计算预测值和真实值的误差
4，训练 给定次数，让机器开始学习。
5，结果可视化
代码如下：
import tensorflow as tf
import matplotlib.pyplot as plt
import numpy as np tf.set_random_seed(1)
np.random.seed(1)
#构建所需数据
x = np.linspace(-1, 1, 100)[:, np.newaxis]
noise = np.random.normal(0, 0.1, size=x.shape)
y = np.power(x, 2) + noise
#输入x和y
tf_x = tf.placeholder(tf.float32, x.shape)
tf_y = tf.placeholder(tf.float32, y.shape)
# 搭建神经网络
#隐藏层
l1 = tf.layers.dense(tf_x, 10, tf.nn.relu)
#输出层
output = tf.layers.dense(l1, 1)
loss = tf.losses.mean_squared_error(tf_y, output)
optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.5)
train_op = optimizer.minimize(loss)
sess = tf.Session()
sess.run(tf.global_variables_initializer())
plt.ion()
#训练
for step in range(100):
_, l, pred = sess.run([train_op, loss, output], {tf_x: x, tf_y: y})
if step % 5 == 0:
plt.cla()
plt.scatter(x, y)
plt.plot(x, pred, 'r-', lw=5)
plt.text(0.5, 0, 'Loss=%.4f' % l, fontdict={'size': 20, 'color': 'red'})
plt.pause(0.1)
plt.ioff()
plt.show()
运行结果如图：
四，总结
以上为tensorflow的简单介绍，算是基础入门的案例了。往后学就是分类学习，CNN卷积神经网络，RNN循环神经网络了。