神经网络的基础-Graph,Session

张量：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：张量就是多维数组（列表），用“阶”表示张量的维度。
0 阶张量称作标量，表示一个单独的数；
举例 S=123
1 阶张量称作向量，表示一个一维数组；
举例 V=[1,2,3]
2 阶张量称作矩阵，表示一个二维数组，它可以有 i 行 j 列个元素，每个元素可
以用行号和列号共同索引到；
举例 m=[[1, 2, 3], [4, 5, 6], [7, 8, 9]]
判断张量是几阶的，就通过张量右边的方括号数，0 个是 0 阶，n 个是 n 阶，张
量可以表示 0 阶到 n 阶数组（列表）；
举例 t=[ [ [… ] ] ]为 3 阶

计算图（Graph）： 搭建神经网络的计算过程，是承载一个或多个计算节点的一张图，只搭建网络，不运算。

会话（Session）： 执行计算图中的节点运算。

我的理解：像是逻辑关系一样，输入x时，需要算法算出对应的输出y；计算图就是x1*w1+x2*w2;而会话就是=；

python实现：

import tensorflow as tf
#引入模块
x = tf.constant([[1.0, 2.0]])     #定义一个 2 阶张量等于[[1.0,2.0]]
w = tf.constant([[3.0], [4.0]])   #定义一个 2 阶张量等于[[3.0],[4.0]]
y = tf.matmul(x, w)               #实现 xw 矩阵乘法
print y                           #打印出结果
with tf.Session() as sess:
    print sess.run(y)            #执行会话并打印出执行后的结果
可以打印出这样的结果：
Tensor(“matmul:0”, shape(1,1), dtype=float32)
[[11.]]
我们可以看到，运行Session()会话前只打印出y是个张量的提示，运行Session()
会话后打印出了 y 的结果 1.0*3.0 + 2.0*4.0 = 11.0。 
学习内容来自：慕课APP中人工智能实践-Tensorflow笔记；北京大学曹健老师的课程