简介：
基于Tensorflow的NN：用张量表示数据；用计算图搭建神经网络；用会话执行计算图；优化线上的权重（参数），得到模型。
张量（tensor）：多维数组（列表） 阶：张量的维数
1 维数 阶 名字 例子 2 0-D 0 标量 scalar s=123 3 1-D 1 向量 vector v=[1,2,3] 4 2-D 2 矩阵 matrix m=[[1,2,3],[4,5,6],[7,8,9]] 5 n-D n 张量 tensor t=[[[...... n个 6 7 张量 可以表示0阶到n阶数组（列表）
数据类型：tf.float32 tf.float64 ....
1 import tensorflow as tf 2 3 a=tf.constant([1.0,2.0]) 4 b=tf.constant([[3.0],[4.0]]) 5 result=a+b 6 print result 7 8 9 >>>:Tensor("add:0", shape=(2, 2), dtype=float32)
结果解释：
"add:0"： add(节点名)0(第0个输出)
shape=(2, 2)： shape（维度）（2,2）二维数组长度为2
dtype=float32： dtype（数据类型）
计算图（graph）：搭建神经网络的计算过程，只搭建，不运算。
会话（session）：执行计算图中的节点运算
1 import tensorflow as tf 2 3 a=tf.constant([1.0,2.0]) 4 b=tf.constant([[3.0],[4.0]]) 5 y=tf.matmul(a,b) 6 print y 7 with tf.Session() as sess: 8 print sess.run(y)
参数：线上的权重W，用变量表示，随机给初值。