在本节学习之前先学习一下python 的几个库：
numpy：来存储和处理大型矩阵（比python内部的列表结构高效）
python 中数据的表示：
1.一维数据：（列表与集合）
[3.12, 3.13,3.14]
{3.13, 3.12.3.14}
2. 二维数据：（列表类型）
[[3.12, 3.13],[3.2, 3.3]]
3. 多维数据： 列表类型
4.高维数据：字典类型
dict={
"firstName":"Tian",
"lastName": "Song",
}
numpy 的数据对象为ndarray
ndarray 是N维数组对象： 由两个部分构成：（实际数据和描述数据的元数据如数据维度、数据类型等）
#ndarray实例
#ndarray在程序中的别名是：array
import numpy as np
a = np.array([[0,1,2,3,4],
[9,8,7,6,5]])
print(a) #np.array()输出成[]形式，元素由空格分割
ndarray 对象的属性：
.ndim 秩，维度的数量
.shape adarray 对象的尺度，n行m列
.size ndarray 对象元素的个数，.shape 中的n*m
.dtype ndarray 对象的元素类型
.itemsize ndarray 对象中每个元素的大小
创建ndarray 数组：
x = np.array(list/tuple)
np.arange(n) 类似range()函数，返回ndarray类型，元素从0到n‐1
np.ones(shape) 根据shape生成一个全1数组，shape是元组类型
np.zeros(shape) 根据shape生成一个全0数组，shape是元组类型
np.full(shape,val) 根据shape生成一个数组，每个元素值都是val
np.eye(n) 创建一个正方的n*n单位矩阵，对角线为1，其余为0
np.ones_like(a) 根据数组a的形状生成一个全1数组
np.zeros_like(a) 根据数组a的形状生成一个全0数组
np.full_like(a,val) 根据数组a的形状生成一个数组，每个元素值都是val
np.linspace() 根据起止数据等间距地填充数据，形成数组
np.concatenate() 将两个或多个数组合并成一个新的数组
对于创建后的ndarray数组，可以对其进行维度变换和元素类型变换
.reshape(shape) 不改变数组元素，返回一个shape形状的数组，原数组不变
.resize(shape) 与.reshape()功能一致，但修改原数组
.swapaxes(ax1,ax2) 将数组n个维度中两个维度进行调换
.flatten() 对数组进行降维，返回折叠后的一维数组，原数组不变
Matplotlib:
python中的绘图系统，
scipy:
统计，优化，整合，线性代数模块，傅里叶变换，信号和图像处理，常微分方程求解器
scikit-learn：
机器学习工具， 如svm等方法都包含其中：
首先创建所需算法的对象，然后在训练和测试集上构建一个模型获得预测：
clf=svm.SVC(gamma=0.001,C=100) # train clf.fit(x,y) # test clf.predict(X_test)
正式开始
tensorflow 和 numpy相似
tensorflow 的操作基本都是对session的操作，首先构建所有操作的Graph，然后调用session运行操作。tensorflow将内部数据表示转换的张量（Tensor，多维数组），整个Graph就是“张量流”，可以轻松地可视每个图中的每个部分， data flow graphs。graph 中的节点为数学操作，图中的边为节点间相互联系的多维数据数组（tensor）。变量保持自己的状态信息。
在tensorflow 中运行程序的通常工作流程为：
- 建立一个计算图 （构建节点和边）
- 初始化变量 （预选定义参数）
- 创建session
- 在session 中运行图
- 关闭session
需要主要的地方：
1. 既然先创建结构，在session创建之后才run，数据输入是怎么进行的？
首先使用placeholder 定义输入的数据的类型，大小，作为graph的输入
在真正run的时候使用feed_dict 将数值传递到计算图的字典中feed_dict={a: 2, b: 3}