Tensorflow的组成：
Tensorflow中的每一个计算都是计算图上的一个节点，而节点之间的边描述了计算之间的依赖关系。
1. Tensor：张量，即多维数组（处理类型）。零阶张量——>标量；1阶张量——>向量；n阶张量——>n维数组。张量中并没与保存具体的数字，而是保存的这些数字的计算过程，其中张量包括三种属性：a. 名字（唯一的标识符，同时给出张量如何计算得来的）；b. 维度（get_shape函数可以获得维度信息）；c. 类型（张量运算必须保持类型一致）。张量的使用主要分为两类：a. 对中间结果的引用；b. 计算图构造完成后，可以用来获得结果（通过会话）。在会话中可以使用Tensor.eval()函数获得张量的取值。
2.flow：计算模型（计算图）。
会话（session）：
拥有并管理tensorflow此程序运行时的所有资源，计算完成后，需要关闭会话。
会话的模式一般分为两种：
1.需要明确调用会话生成函数和关闭会话函数。具体形式如下：
sess=tf.Session()
sess.run(…)
sess.close()
这种模式的缺点是：当程序因为异常而退出时，关闭会话函数可能就不会被执行，从而导致资源泄露。
2.将所有的计算放在with的内部。具体的形式如下：
with tf.Session() as sess:
sess.run(…)
这种模式的优点：当上下文管理器退出时，会自动将所有资源释放。这样既解决了因为异常退出时资源释放的问题，同时也解决了忘记调用Session.close函数而产生的资源泄露。
import tensorflow as tf
a=tf.constant([[1.0,2.0,3],[3.0,4.0,3]],name='a',dtype=tf.float32)
b=tf.constant([[3,4,3],[5,6,3]],name='b',dtype=tf.float32)
result=a+b
with tf.Session() as sess:
print(result.eval())
#sess=tf.Session()
#print(result.eval())
#sess.close()
#通过a.graph可以查看张量所属的计算图。因为没有特意指定，所以这个计算图应该等于当前默认的计算图，所以结果为True
#print(a.graph is tf.get_default_graph())
#print(result)
#sess=tf.Session()
#print(result.eval(session=sess))
#sess=tf.Session()
#c=sess.run(result)
#print(c)
#sess.close()
#with tf.Session() as sess:
# c=sess.run(result)
# print(c)
#sess=tf.Session()
#with sess.as_default():
# print(result.eval())
#config=tf.ConfigProto(allow_soft_placement=True, log_device_placement=True)
#sess1=tf.InteractiveSession(config=config)
#sess2=tf.Session(config=config)
#c=sess2.run(result)
#print(c)
#sess=tf.InteractiveSession()
#print(result.eval())在交互式环境下，通过设置默认会话获取张量更加方便。Tensorflow提供了一种在交互式环境下构建默认会话的函数tf.InteractiveSession()，这个函数会自动将生成的会话注册为默认会话。
神经网络解决分类问题的4个步骤：
1.提取问题中实体的特征向量作为神经网络的输入（构建输入）；
2.定义神经网络的结构，并定义如何从神经网络的输入到输出。这个过程是神经网络前向传播的过程（定义神经网络的结构）。
3.通过训练数据来调整神经网络中参数的取值，这就是训练神经网络的过程（训练神经网络）。
4.使用训练好的神经网络来预测未知的数据（测试数据）。
前向传播算法：
神经元是构建神经网络的最小单元，每个神经元也可以称为节点。神经网络的前向传播算法可以通过tf.matmul函数实现。
神经网络的参数和Tensorflow变量：
Tensorflow中变量的作用就是保存和更新神经网络中的参数，变量通过tf.Variable函数实现，变量的初始化可以通过三种方式实现：
1.可以通过随机数生成函数，来对变量初始化，例如tf.random_normal(正态分布)、tf.truncated_normal(正太分布，但如果随机出来的值偏离平均值超过两个标准差，那么这个数将会被重新随机)、tf.random_uniform(平均分布)、tf.random_gamma(Gamma分布)
2.也可以通过常数来初始化一个变量。例如tf.zeros(产生全零的数组)、tf.ones(产生全1的数组)、tf.fill(产生一个全部为给定数字的数组)、tf.constant(产生一个给定值的常量)。
3.也支持通过其他变量的初始值来初始化新的变量。例如：
w2=tf.Variable(weights.initialized_value())
w3=tf.Variable(weights.initialized_value()*2.0)
以上代码w2的初始值与weights相同，w3的初始值则是weights初始值的；两倍。
虽然在变量定义时给出了变量初始化的方法，但是这个方法并没有真正运行。在会话中需要将其运行。在会话中运行初始化主要有两种方式：
1.sess.run(w1.initializer)
sess.run(w2.initializer)
这种方式的缺点：当变量的数目增多时，或者变量之间存在依赖关系式，单个调用的方案就比较麻烦。
2.可以通过tf.global_variables_initializer函数实现所有变量的初始化（文中使用tf.initialize_all_variables()但是这个函数已经被弃用，由tf.global_variables_initializer()代替）。
init_op=tf.global_variables_initializer()
sess.run(init_op)
优点：不需要对变量一个一个初始化，同时这种方式会自动处理变量之间的依赖关系。
可以使用w1.assign(w2)函数，来对w1的值进行更新，需要注意的是要保证w1和w2张量中的数据类型是一致的。
import tensorflow as tf
#声明w1和w2两个变量，还通过seed参数设定了随机种子，这样可以保证每次运行结果是一样的
w1=tf.Variable(tf.random_normal([2,3],stddev=1,seed=1))
w2=tf.Variable(tf.random_normal([3,1],stddev=1,seed=1))
#设定x（输入）为常数。注意这里x是一个1*2的矩阵
x=tf.constant([[0.7,0.9]])
a=tf.matmul(x,w1)#实现x和w1相乘
y=tf.matmul(a,w2)
sess=tf.Session()
#初始化方法1
#sess.run(w1.initializer)#初始化w1
#sess.run(w2.initializer)#初始化w2
#初始化方法2
init_op=tf.global_variables_initializer()
sess.run(init_op)
print(sess.run(y))
sess.close()训练神经网络：
在神经网络优化算法中，最常用的方法是反向传播算法，在tensorflow中通过tf.train.AdamOptimizer()实现，例如train_step = tf.train.AdamOptimizer(learning_rate).minimize(cross_entropy)。
Tensorflow提供了placeholder机制用于提供输入数据。placeholder相当于定义了一个位置，这个位置中的数据在程序运行时在指定。在placeholder定义时，这个位置上上的数据类型是需要指定的，同时placeholder的类型也是不可以改变的。Placeholder中数据的维度可以根据数据推导出，所以不一定要给出。在会话中执行时，需要提供一个feed_dict来指定x的取值。Feed_dict是一个字典，字典中需要给出每个用到的placeholder的取值。
训练神经网络可以分为3个步骤：
1.定义神经网络的结构和前向传播算法的结果
2.定义损失函数以及选择反向传播算法优化的算法
3.生成会话并且在训练数据集上反复运行反向传播优化算法。
下面给出了一个完整的程序来训练神经网络解决二分类问题：
import tensorflow as tf
#通过Numpy工具包模拟数据集
from numpy.random import RandomState
batch_size=8#训练数据batch的大小
#定义神经网络的参数
w1=tf.Variable(tf.random_normal([2,3],stddev=1,seed=1))
w2=tf.Variable(tf.random_normal([3,1],stddev=1,seed=1))
#
x=tf.placeholder(tf.float32,shape=(None,2),name="x_input")
y_=tf.placeholder(tf.float32,shape=(None,1),name="y_input")
#定义神经网络前向传播的过程
a=tf.matmul(x,w1)
y=tf.matmul(a,w2)
#定义损失熵和反向传播算法
cross_entropy=-tf.reduce_mean(y_*tf.log(tf.clip_by_value(y,1e-10,1.0)))
train_step=tf.train.AdamOptimizer(0.001).minimize(cross_entropy)
#通过随机数生成一个模拟数据集
rdm=RandomState(1)
dataset_size=128
X=rdm.rand(dataset_size,2)
#定义规则来给出样本的标签。所有x1+x2<1的样例都认为是正样本而其他的为负样本。1表示正样本；0表示负样本
Y=[[int(x1+x2<1)] for (x1,x2) in X]
with tf.Session() as sess:
#初始化参数
init_op=tf.global_variables_initializer()
sess.run(init_op)
print(sess.run(w1))
print(sess.run(w2))
STEPS=5000#设定训练的次数
for i in range(STEPS):
#每次选取batch_size个样本进行训练
start=(i*batch_size)%dataset_size
end=min(start+batch_size,dataset_size)
#通过选取的样本训练神经网络并更新参数
sess.run(train_step,feed_dict={x:X[start:end],y_:Y[start:end]})
if i % 1000==0:
#每隔一段时间计算在所有数据集上的交叉熵并输出
total_cross_entropy=sess.run(cross_entropy,feed_dict={x:X,y_:Y})
print("After %d training step(s), cross entropy on all data is %g"%(i,total_cross_entropy))
print(sess.run(w1))
print(sess.run(w2))