深度学习：tensorflow框架
tensor（张量）就是数据的意思
operation（op）专门运算的操作节点，所有操作都是一个op
graph（图）：整个程序的结构
Session（会话）运行程序的图，就是输出
变量和张量不一样
计算密集型：tensorflow cpu计算
IO密集型：web,scrapy http请求 磁盘操作等等
一、会话：tf.Session()
运行图的结构，分配资源计算，掌握资源（变量的资源，队列，多线程）
run就是运行图的结构，运行op
二、张量
张量的阶和数据类型
数据类型 float32 32位浮点数 float64 64位浮点数 代表的精度不一样
张量的属性
三、变量
变量也是一种op,是一种特殊的张量，能够进行存储持久化（可以保存在文件中，保存系数），它的值就是张量，默认被训练
四、线性回归（预测值）
权重+偏置
变量作用域能够更加清楚的看到程序的部分，模型代码更加清晰，代码分明
五、提高IO读取速度
可以通过多线程，子线程来读取数据，主线程来进行训练模式
队列：从一端进从另一端出，先进先出
线程协调器：
tf.train.Coordinator() 线程协调员，实现一个简单的机制来协调一个组线程的终止
六、图片的读取
每个图片由像素组成，图片数字化三要素：长度 宽度 通道数
黑白图片为单通道图片，灰度值[0-255]，一个像素点只有一个值 200*200=40000
彩色图片是三通道图片，RGB一个像素点由三个值组成 200*200*3=120000
如何用张量表达图片的数据？3D张量 [height,width,channels]
每个样本必须保持特征值数量一样，所有图片统一特征的数量，像素值一样，就是让他们的长宽一样，减少数据量
tf.image.resize_images(images,size)缩小图片
[100,200,200,1]一百张长宽是200的黑白图片单通道就是黑白图片
图片用uint8进行存储。用float32进行计算
七、感知机
定义：有n个输入数据，通过权重与各数据之间的计算和，比较激活函数结果，得出输出。
softmax计算属于哪个类别的概率，交叉熵损失公式来计算
tf.placeholder(
dtype,
shape=None,
name=None
)
dtype：数据类型。常用的是tf.float32,tf.float64等数值类型
shape：数据形状。默认是None，就是一维值，也可以是多维（比如[2,3], [None, 3]表示列是3，行不定）
name：名称
# 随机初始化权重和偏置
weight = tf.Variable(tf.random_normal([784, 10], mean=0.0, steedv=1.0,name="w"))
bias = tf.Variable(tf.constant(0.0, shape=[10]))
# 预测None个样本的输出结matrix=[None,784]*[784,10]+[10]=[None,10]
y_predict = tf.matmul(x, weight) + bias