一 模型里的内容和意义标准模型结构分为三大部分：输入、中间节点和输出，但如何将这三部分合并起来学习和计算规则由TensorFlow框架完成TensorFlow将中间节点和节点之间的运算关系(OPS )定义为自己中的一个“图”，全部通过一个“会话”session )进行图中的OPS的具体运算。 可以这样理解。 “图”是静态的，无论做什么加、减、乘、除，它们都只是把关系联系在一起，没有任何计算。 “会话”是动态的，只有在会话启动后，数据才会流向图中，并根据图中的关系进行计算。 让最终结果从图中流出。 TensorFlow这样分离了计算的定义和执行。 “图”类似施工图(blueprint )，对话类似施工地点。 要创建完整的图，一般需要定义三种类型的变量。 输入节点：网络的入口。 用于训练的模型参数(也称为学习参数)是连接每个节点的路径。 模型中的节点(OP ) :最复杂的是OP。 OP可用于表示模型中的中间节点或最终输出节点，是网络中的真实结构。 下图是将这3种变量放入图中构成的网络静态模型。 在实际训练中，希望的“模型”是通过动态对话按照静态规则运算图中的各节点，每次迭代更新调整图中的学习参数，经过一定次数的迭代运算最终形成的图。 在会话中，任何节点都由会话的run函数计算，以获得该节点的真实数字。二 模型内部数据流向1正向：数据从输入开始按顺序进行各节点定义的运算，运算到输出为止，是模型最基本的数据流。 直观地表示网络模型的结构，用于模型的训练、测试和使用场景中。 这个部分必须掌握。 反向：仅在训练场景中使用。 在这里，我们使用了一种叫做逆链接求导的方法，从顺方向的最后一个节点开始，计算当时的结果值和真值之间的误差。 这样，就可以用学习参数生成表示误差的方程式，接着在导出方程式中的各参数求出梯度修正值的同时，反推上层误差，将该层节点的误差沿顺方向的反方向传递到上层， 接下来我们要重复计算上一层的修正值，因为这部分的原理TensorFlow已经实现了，简单理解就可以了，用哪个方法计算误差，用哪个梯度下降的优化方法，如何调节梯度下降中的参数，比如学习率