diff --git a/translated/tech/20180206 Simple TensorFlow Examples.md b/translated/tech/20180206 Simple TensorFlow Examples.md
new file mode 100644
index 0000000000..c233775b77
--- /dev/null
+++ b/translated/tech/20180206 Simple TensorFlow Examples.md	
@@ -0,0 +1,339 @@
+TensorFlow 的简单例子
+======
+
+![](https://process.filestackapi.com/cache=expiry:max/resize=width:700/compress/XWiMrodDQb2Qg6RxyDDG)
+
+在本次推送中，我们将看一些例子，并从中感受到在定义张量和使用张量做数学计算方面有多么容易，我还会举些别的机器学习相关的例子。
+
+## TensorFlow 是什么?
+
+TensorFlow 是 Google 为了解决复杂计算耗时过久的问题而开发的一个库。
+
+事实上，TensorFlow 能干许多事。比如：
+
+  * 解复杂数学表达式
+  * 机器学习技术。你往其中输入一组数据样本用以训练，接着给出另一组数据样本用以预测基于训练的数据的结果。这就是人工智能了！
+  * 支持 GPU 。你可以使用 GPU （图像处理单元）替代 CPU 以更快的运算。 TensorFlow 有两个版本： CPU 版本和 GPU 版本。
+
+
+开始写例子前，需要了解一些基本知识。
+
+## 什么是张量？
+
+张量是 TensorFlow 使用的主要的数据块，它很像 TensorFlow 用来处理数据的变量。张量拥有维度和类型的属性。
+
+维度指张量的行和列数，读到后面你就知道了，可以定义一维张量、二维张量和三维张量。
+
+类型指张量元素的数据类型。
+
+## 定义一维张量
+
+可以这样来定义一个张量：创建一个 NumPy （译者注：NumPy 系统是 Python 的一种开源数字扩展，包含一个强大的 N 维数组对象 Array，用来存储和处理大型矩阵 ）或者一个 [Python list][1] ，然后使用 tf_convert_to_tensor 函数将其转化成张量。
+
+可以像下面这样，使用 NumPy 创建一个数组：
+```
+import numpy as np arr = np.array([1, 5.5, 3, 15, 20])
+
+arr = np.array([1, 5.5, 3, 15, 20])
+
+```
+
+运行结果显示了这个数组的维度和形状。
+```
+import numpy as np
+
+arr = np.array([1, 5.5, 3, 15, 20])
+
+print(arr)
+
+print (arr.ndim)
+
+print (arr.shape)
+
+print (arr.dtype)
+
+```
+
+它和 Python list 很像，但是在这里，元素之间没有逗号。
+
+现在使用 tf_convert_to_tensor 函数把这个数组转化为张量。
+```
+import numpy as np
+
+import tensorflow as tf
+
+arr = np.array([1, 5.5, 3, 15, 20])
+
+tensor = tf.convert_to_tensor(arr,tf.float64)
+
+print(tensor)
+
+```
+
+这次的运行结果显示了张量具体的含义，但是不会展示出张量元素。
+
+要想看到张量元素，需要像下面这样，运行一个会话：
+```
+import numpy as np
+
+import tensorflow as tf
+
+arr = np.array([1, 5.5, 3, 15, 20])
+
+tensor = tf.convert_to_tensor(arr,tf.float64)
+
+sess = tf.Session()
+
+print(sess.run(tensor))
+
+print(sess.run(tensor[1]))
+
+```
+
+## 定义二维张量
+
+定义二维张量，其方法和定义一维张量是一样的，但要这样来定义数组：
+
+```
+arr = np.array([(1, 5.5, 3, 15, 20),(10, 20, 30, 40, 50), (60, 70, 80, 90, 100)])
+```
+
+接着转化为张量：
+```
+import numpy as np
+
+import tensorflow as tf
+
+arr = np.array([(1, 5.5, 3, 15, 20),(10, 20, 30, 40, 50), (60, 70, 80, 90, 100)])
+
+tensor = tf.convert_to_tensor(arr)
+
+sess = tf.Session()
+
+print(sess.run(tensor))
+
+```
+
+现在你应该知道怎么定义张量了，那么，怎么在张量之间跑数学运算呢？
+
+## 在张量上进行数学运算
+
+假设我们有以下两个数组：
+```
+arr1 = np.array([(1,2,3),(4,5,6)])
+
+arr2 = np.array([(7,8,9),(10,11,12)])
+
+```
+
+利用 TenserFlow ，你能做许多数学运算。现在我们需要对这两个数组求和。
+
+使用加法函数来求和：
+```
+import numpy as np
+
+import tensorflow as tf
+
+arr1 = np.array([(1,2,3),(4,5,6)])
+
+arr2 = np.array([(7,8,9),(10,11,12)])
+
+arr3 = tf.add(arr1,arr2)
+
+sess = tf.Session()
+
+tensor = sess.run(arr3)
+
+print(tensor)
+
+```
+
+也可以把数组相乘：
+```
+import numpy as np
+
+import tensorflow as tf
+
+arr1 = np.array([(1,2,3),(4,5,6)])
+
+arr2 = np.array([(7,8,9),(10,11,12)])
+
+arr3 = tf.multiply(arr1,arr2)
+
+sess = tf.Session()
+
+tensor = sess.run(arr3)
+
+print(tensor)
+
+```
+
+现在你知道了吧。
+
+## 三维张量
+
+我们已经知道了怎么使用一维张量和二维张量，现在，来看一下三维张量吧，不过这次我们不用数字了，而是用一张 RGB 图片。在这张图片上，每一块像素都由 x，y，z 组合表示。
+
+这些组合形成了图片的宽度、高度以及颜色深度。
+
+首先使用 matplotlib 库导入一张图片。如果你的系统中没有 matplotlib ，可以 [使用pip][2]来安装它。
+
+将图片放在 Python 文件的同一目录下，接着使用 matplotlib 导入图片：
+```
+import matplotlib.image as img
+
+myfile = "likegeeks.png"
+
+myimage = img.imread(myfile)
+
+print(myimage.ndim)
+
+print(myimage.shape)
+
+```
+
+从运行结果中，你应该能看到，这张三维图片的宽为 150 、高为 150 、颜色深度为 3 。
+
+你还可以查看这张图片：
+```
+import matplotlib.image as img
+
+import matplotlib.pyplot as plot
+
+myfile = "likegeeks.png"
+
+myimage = img.imread(myfile)
+
+plot.imshow(myimage)
+
+plot.show()
+
+```
+
+真酷！
+
+那怎么使用 TensorFlow 处理图片呢？超级容易。
+
+## 使用 TensorFlow 生成或裁剪图片
+
+首先，向一个占位符赋值：
+```
+myimage = tf.placeholder("int32",[None,None,3])
+
+```
+
+使用裁剪操作来裁剪图像：
+```
+cropped = tf.slice(myimage,[10,0,0],[16,-1,-1])
+
+```
+
+最后，运行这个会话：
+```
+result = sess.run(cropped, feed\_dict={slice: myimage})
+
+```
+
+然后，你就能看到使用 matplotlib 处理过的图像了。
+
+这是整段代码：
+```
+import tensorflow as tf
+
+import matplotlib.image as img
+
+import matplotlib.pyplot as plot
+
+myfile = "likegeeks.png"
+
+myimage = img.imread(myfile)
+
+slice = tf.placeholder("int32",[None,None,3])
+
+cropped = tf.slice(myimage,[10,0,0],[16,-1,-1])
+
+sess = tf.Session()
+
+result = sess.run(cropped, feed_dict={slice: myimage})
+
+plot.imshow(result)
+
+plot.show()
+
+```
+
+是不是很神奇？
+
+## 使用 TensorFlow 改变图像
+
+在本例中，我们会使用 TensorFlow 做一下简单的转换。
+
+首先，指定待处理的图像，并初始化 TensorFlow 变量值：
+```
+myfile = "likegeeks.png"
+
+myimage = img.imread(myfile)
+
+image = tf.Variable(myimage,name='image')
+
+vars = tf.global_variables_initializer()
+
+```
+
+然后调用 transpose 函数转换，这个函数用来翻转输入网格的 0 轴和 1 轴。
+```
+sess = tf.Session()
+
+flipped = tf.transpose(image, perm=[1,0,2])
+
+sess.run(vars)
+
+result=sess.run(flipped)
+
+```
+
+接着你就能看到使用 matplotlib 处理过的图像了。
+```
+import tensorflow as tf
+
+import matplotlib.image as img
+
+import matplotlib.pyplot as plot
+
+myfile = "likegeeks.png"
+
+myimage = img.imread(myfile)
+
+image = tf.Variable(myimage,name='image')
+
+vars = tf.global_variables_initializer()
+
+sess = tf.Session()
+
+flipped = tf.transpose(image, perm=[1,0,2])
+
+sess.run(vars)
+
+result=sess.run(flipped)
+
+plot.imshow(result)
+
+plot.show()
+
+```
+
+以上例子都向你表明了使用 TensorFlow 有多么容易。
+
+--------------------------------------------------------------------------------
+
+via: https://www.codementor.io/likegeeks/define-and-use-tensors-using-simple-tensorflow-examples-ggdgwoy4u
+
+作者：[LikeGeeks][a]
+译者：[ghsgz](https://github.com/ghsgz)
+校对：[校对者ID](https://github.com/校对者ID)
+
+本文由 [LCTT](https://github.com/LCTT/TranslateProject) 原创编译，[Linux中国](https://linux.cn/) 荣誉推出
+
+[a]:https://www.codementor.io/likegeeks
+[1]:https://likegeeks.com/python-list-functions/
+[2]:https://likegeeks.com/import-create-install-reload-alias-python-modules/#Install-Python-Modules-Using-pip