3、了解Tensorflow
2017年谷歌开发者大会欧洲站上，谷歌研究院工程师Andrew Gasparovic所做演讲。他用深入浅出、妙趣横生的方式，给大家分享了TensorFlow的发展情况与最新成果。
TensorFlow能够让你直接解决各种机器学习任务。目标就是在一般情况下，无论你遇到什么问题，TensorFlow都可以在一定程度上提供API的支持。总的来说TensorFlow就是为了快而设计的，所以它针对你实际使用的硬件和平台做了优化。其中在机器学习框架方面，TensorFlow的真正独特之处在于，能够在5行或者10行代码中构建模型。然后应用这个模型，进行扩展做出产品。因此，你能够在几十甚至几百个机器的簇上进行训练。从而用该模型进行非常低的延迟预测。
参考文章：谷歌大神带你十分钟看懂TensorFlow
4、TensorBoard：可视化学习
参考文章：TF之Tensorboard：Tensorflow之Tensorboard可视化简介、入门、使用方法之详细攻略
Tensorflow的安装
Anaconda之tensorflow：深度学习之Anaconda下安装tensorflow正确运行之史上最强攻略
Py之TF/Cuda/Cudnn：Win10下安装深度学习框架Tensorflow+Cuda+Cudnn最简单最快捷最详细攻略
TF学习——TensorFlow：深度学习框架TensorFlow & TensorFlow-GPU的简介、安装详细攻略
TensorFlow基础知识架构
1、基础知识架构
2、计算图与会话
1、计算图方法
基本上所有的Tensorflow代码都包含两个重要部分：
构建计算图(使用tf.Graph)
运行会话（使用tf.Session），执行图中的运算
2、计算图由两种类型的对象组成
(1)、操作（简称“op”）：图的节点。操作描述了消耗和生成张量的计算。
(2)、张量：图的边。它们代表将流经图的值。大多数TensorFlow 函数会返回tf.Tensors。
重要提示：tf.Tensors 不具有值，它们只是计算图中元素的手柄。
Edges are N-dimensional arrays:Tensors
with tensors 保留tensors
with state 保留状态
3、图和会话
TensorFlow 使用数据流图将计算表示为独立的指令之间的依赖关系。
这可生成低级别的编程模型，在该模型中，你首先定义数据流图，然后创建TensorFlow 会话，以便在一组本地和远程设备上运行图的各个部分。
较高阶的API（例如tf.estimator.Estimator 和Keras）会向最终用户隐去图和会话的细节内容。
