Tensorflow1.0经典入门例子代码50例，边学边练习！
您应该了解以下内容：
- 如何用Python编程。
- 至少要了解一点数组。
- 理想的是，关于机器学习的东西。 但是，如果您对机器学习知之甚少，那么这仍然是您应该阅读的第一本指南。
TensorFlow提供很多API。 最低级别的API — TensorFlow Core — 提供给你完全的编程控制。 我们推荐机器学习研究人员和其他需要对模型进行良好控制的人用TensorFlow Core。 更高级别的API构建在TensorFlow Core之上。 这些更高级别的API通常比TensorFlow Core更容易学习和使用。 另外，更高级别的API使不同用户之间的重复任务更容易，更一致。 像tf.estimator这样的高级API可以帮助你管理数据集、估计器、训练和推理。
本指南从TensorFlow Core教程开始。 稍后，我们演示如何在tf.estimator中实现相同的模型。 了解 TensorFlow Core 的原理将在的大脑里你留下一个模型，让你在使用更紧凑高级别的API时知道内部是如何工作的。
张量
TensorFlow中数据的中心单元是张量。 张量由一组原始值组成，这些原始值被组织成形状为任意维度的数组。 张量的秩是其维数。
TensorFlow核心教程
导入TensorFlow
TensorFlow程序的规范导入语句如下所示：
import tensorflow as tf
这使得Python可以访问所有TensorFlow的类，方法和符号。 本文档的大部分地方假设你已经完成这个导入。
计算图
你可能会认为TensorFlow Core程序由两个不同的部分组成：
- 构建计算图。
- 运行计算图。
计算图是排列成节点图的一系列TensorFlow操作。 我们来构建一个简单的计算图。 每个节点将零个或多个张量作为输入，并生成张量作为输出。 一种类型的节点是一个常量。 像所有的TensorFlow常量一样，它不需要输入，并输出一个内部存储的值。 我们可以创建两个浮点张量node1和node2
请注意，打印节点不会像你预期的那样输出值3.0和4.0。 相反，它们是在求值时分别产生3.0和4.0的节点。 为了实际评估节点，我们必须在会话内运行计算图。 会话封装了TensorFlow运行时的控制和状态。
以下代码创建一个会话对象，然后调用其run方法运行足够的计算图来评估node1和node2。
我们可以通过将 Tensor节点与操作相结合来构建更复杂的计算（操作也是节点）。 例如，我们可以添加两个常量节点并生成一个新图形
TensorFlow提供了一个名为TensorBoard的实用程序，可以显示计算图的图片。
