在使用TensorFlow開始寫程式之前，我們得先來了解它所用到的數學概念。

TensorFlow所使用到的數學基礎

1.Tensor(張量) : TensorFlow的計算單位。一維張量代表僅有一個坐標軸的數據，二維張量則含有兩個坐標軸，以此類推。
2.flow(計算模型) : 指Graph運算過程中的資料流。

張量

是現代機器學習的基礎，它的核心是一個數據容器，常包含數字、字符串。

• 向量
• 矩陣
• 3D

1.向量(一維張量)

是線性代數中的基本概念，也是機器/深度學習中，除了加減乘除以外最基礎的元素。一維張量只有一個座標軸。將數位陣列定義為向量，會從2維轉為多維度。

(圖片擷取自網上)

2.矩陣(二維張量)

包含行、列的兩個座標軸

3.3D張量

擁有三個座標軸。TensorFlow中，神經網路的輸入、權重、偏差等都表示為張量。

(圖片擷取自網上)

範例:

資料流圖(Data Flow Graphs)

一種透過有向圖的節點(Node)與邊(Edge)來描敘計算過程。節點(Nodes)在圖中表示數學操作，圖中的線(Edges)表示在節點間相互聯繫的多維資料數組，就是張量(tensor)。
透過不同的程式語言建立計算圖，再依需求設計張量運算流程，最後透過訓練建構出深度學習模型，就可以在用戶端和執行裝置間建立連結，達到在不同平台執行完成好的計算圖的功效。

(gif擷取自網上)
https://www.tensorflow.org/images/tensors_flowing.gif