在入门前，推荐一个博客链接：https://morvanzhou.github.io/tutorials/machine-learning/tensorflow/
Windows下tensorflow安装
1、安装anacondas
2、进入anaconda prompt
3、输入命令conda list，看有没有安装numpy等模板。
4、如果安装了numpy，则安装不同版本的python，输入命令：conda create --name tensorflow python=3.5
5、执行完上面的命令，执行：activate tensorflow（激活TensorFlow）
6、执行命令：Python
7、可以测试TensorFlow小程序了，比如：输入import tensorflow as tf，若不报错则安装成功。
8、退出Python环境：exit()
9、退出TensorFlow环境：deactivate
例子
使用TensorFlow中的梯度下降法构建线性学习模型的使用示例：（来源：https://morvanzhou.github.io/tutorials/machine-learning/tensorflow/2-2-example2/）
#导入TensorFlow python API库 import tensorflow as tf import numpy as np #随机生成100点（x，y），type为float32,因为TensorFlow中大部分数据形式都为float32 x_data = np.random.rand(100).astype(np.float32) y_data = x_data * 0.1 + 0.3#构建TensorFlow structure start# #构建线性模型的tensor变量W, b;W初始值为（-1，1）的数，b为0； W = tf.Variable(tf.random_uniform([1], -1.0, 1.0)) b = tf.Variable(tf.zeros([1])) y = W * x_data + b #构建损失方程，优化器optimizer及训练模型操作train减少loss,0.5为学习效率 loss = tf.reduce_mean(tf.square(y - y_data)) optimizer = tf.train.GradientDescentOptimizer(0.5) train = optimizer.minimize(loss) #构建变量初始化操作init init = tf.initialize_all_variables()#构建TensorFlow structure end##构建TensorFlow session sess = tf.Session() #初始化所有TensorFlow变量，激活 sess.run(init) #训练该线性模型，每隔20次迭代，输出模型参数 for step in range(201): sess.run(train) if step % 20 == 0: print(step, sess.run(W), sess.run(b))
tf.random_uniform([1],-1.0,1.0):构建一个tensor，张量shape为[1]（即一维数组，里面包含1个元素），值符合[-1,1)均匀分布。
tf.Variable(initial_value=None):构建一个新变量，该变量常用来表示图中的各个计算参数，比方说激活函数中的W、b等。变量会加入到TensorFlow框架图集合中。
tf.zeros([1]):构建一个所有元素为0的tensor,shape为[1]
tf.square(x,name=None):计算tensor的平方值。
tf.reduce_mean(input_tensor):计算input_tensor中所有元素的均值。
tf.train.GradientDescentOptimizer(0.5)：构建一个梯度下降优化器，0.5为学习速率。
optimizer.minimize(loss)：构建一个优化算子操作。使用梯度下降法计算损失方程的最小值。loss为需要被优化的损失方程。
tf.initialze_all_variables():初始化所有TensorFlow的变量。变量一定要初始化才能有值。
tf.Session():创建一个TensorFlow的session，在该session中会运行TensorFlow的图计算模型。
sess.run()：在session中执行图模型的运输操作。如果参数为tensor时，可以用来求tensor的值。
运行结果：W越来越接近0.1，b越接近0.3
