一、张量和图
TensorFlow 是一种采用数据流图（data flow graphs），用于数值计算的开源软件库。其中 Tensor 代表传递的数据为张量（多维数组），Flow 代表使用计算图进行运算。数据流图用「结点」（nodes）和「边」（edges）组成的有向图来描述数学运算。「结点」一般用来表示施加的数学操作，但也可以表示数据输入的起点和输出的终点，或者是读取/写入持久变量（persistent variable）的终点。边表示结点之间的输入/输出关系。这些数据边可以传送维度可动态调整的多维数据数组，即张量（tensor）
只有list才能直接print.使用计算图的步骤是：
1、graph = tf.Graph()
with graph.as_default():
#所要计算的变量设置以及计算
2、with tf.Session(graph=graph) as session:
#如果上面定义的是变量，那么这里运行图钱就先要进行全局初始化
# 如果是占位符的话，那么就是用dict进行馈送数据后，在运行
#最后输出所有的结果
见下图：
所有的不同的变量都是存储在计算图中。所以我们在构建完成模型所需要的图之后，需要打开会话（session）来运行整个计算图。在会话中我们可以将所有的计算分配到CPU中。如上图所示，我们在之前定义了常量a和b，这只是定义了一张图，并没有运行这个图，如果此时打印出来的话就是一个tensor属性。对于变量的和运算都是存储在计算图中，而直接使用sess会话那么就会报错。所以这个时候我们需要去创建一个会话才能去管理TensorFlow所有的资源。注意：一般情况下我们在计算结束后，那么我们需要运行sess.close()去关闭这个会话，不然资源会有泄漏。
正确执行变量的方法：定义变量你要是想运行一定要记得初始化，下面是初始化的几种方法。
1、
2、
会话开启的方式有两种：
1、sess=tf.Session(),
print(sess.run(result（变量或者常量）))
sess.close
2、with tf.Session() as sess:
#一系列操作
print(sess.run(result))
二、变量和常量
TensorFlow 中最基本的单位是常量（Constant）、变量（Variable）和占位符（Placeholder）。常量定义后值和维度不可变，变量定义后值可变而维度不可变。在神经网络中，变量一般可作为储存权重和其他信息的矩阵，而常量可作为储存超参数或其他结构信息的变量。
weights = tf.Variable(tf.truncated_normal([256 * 256, 10])
print(weights.get_shape().as_list())
输出的是变量的张量的维度，而对于list没有这个操作
三、占位符和feed_dict
在前面已经创建了各种形式的常量和变量，但 TensorFlow 同样还支持占位符。占位符并没有初始值，它只会分配必要的内存。在会话中，占位符可以使用 feed_dict 馈送数据。
我们的feed_dict 是一个字典，在字典中需要给出每一个用到的占位符的取值。在训练神经网络时需要每次提供一个批量的训练样本，如果每次迭代选取的数据要通过常量表示，那么 TensorFlow 的计算图会非常大。因为每增加一个常量，TensorFlow 都会在计算图中增加一个结点。所以说拥有几百万次迭代的神经网络会拥有极其庞大的计算图，而占位符却可以解决这一点，它只会拥有占位符这一个结点。
例如：
# 占位符和feed_dict
#由于每次都会重复的输入x，如果我们建立每个值都用常量那么我们的节点会很多，这样会导致
#计算图的运行效率降低
w1=tf.Variable(tf.random_normal([1,2],stddev=1,seed=1))
x=tf.placeholder(tf.float32,shape=(1,2))
x1=tf.constant([[0.7,0.9]])
a = w1 + x
b = w1 + x1
sess = tf.Session()
init = tf.global_variables_initializer()
sess.run(init)
#行y时将占位符填上，feed_dict为字典，变量名不可变
y =sess.run(a, feed_dict={x:[[0.7, 0.9]]})
print(y)
sess.close
code:
结果为：
