1：几个概念：张量，节点，计算
tensorflow : 通过图的形式，表述计算的编程系统
- tensor: 张量，
多维数组；说明了数据结构；（直观理解：图中所有的数据，包括常量、变量）
张量的使用：存储和获得计算结果（张量本身没有存储具体的数字，通过执行回话，可以得到具体的数字）
- flow:
体现了计算模型，表达了张量之间通过计算相互转化的过程；
- 计算：
（参与运算的必须是类型一样的；）
- op 节点
常量、变量、计算
- edge 节点的边
计算之间的依赖关系
- graph 图：
节点和节点的边组成为图；计算图可以隔离张量和计算，并提供了管理张量和计算的机制；
2：TensorFlow运行的两个阶段：
第一：定义图中所有的节点/(构建阶段)
定义常量、变量、计算
TensorFlow会自动将定义的计算转化为图上的节点（可通过get_default_graph获取当前默认的计算图；）
# 创建两个个常量节点
matrix1 = tf.constant([[3., 3.]])
matrix2 = tf.constant([[2.],[2.]])
# 创建一个计算节点
product = tf.matmul(matrix1, matrix2)第二：执行计算
tensorflow使用会话 执行图中的节点；
图在会话启动后，会话将图中的节点，分发到计算设备上，同时提供执行节点的方法，方法执行后，返回产生的tensor
有两种使用会话的模式
- model1:明确调用会话生成和会话关闭函数
# 创建会话：
# sess = tf.Session()
# 得到计算结果
# sess.run(xx)
# 关闭会话
# sess.close()会话拥有tensorflow程序运行时的所有资源，计算完成以后，需要关闭对话，回收资源
弊端：当程序异常退出，关闭会话不会执行，会导致资源泄露
-model_2: 利用python上下文管理器，无需调用Session.close()
with tf.Session() as sess:
sess.run(...)当上下文退出时候，会话关闭、资源释放自动完成
通过设定默认会话，获取张量取值的四种方法
sess = tf.Session()
with sess.as_default():
print(result.eval())sess = tf.Session()
print(sess.run(result))sess = tf.Session()
print(result.eval(session = sess))交互环境下，
tensorflow直接构建默认会话，使用InteractiveSession会自动将生成的会话注册为默认会话，省去将产生的会话注册为默认会话的过程；
sess = tf.InteractiveSession()
print(result.eval())
sess.close()
（同时可使用Tensor.eval()和Operation.run()替代Session.run()）
sess = tf.InteractiveSession()
x = tf.Variable([1.0, 2.0])
a = tf.constant([3.0, 3.0])
x.initializer.run() # 使用初始化器 initializer op 的 run() 方法初始化 'x'
sub = tf.sub(x, a) # 增加一个减法 sub op, 从 'x' 减去 'a'. 运行减法 op, 输出结果
print (sub.eval())
# ==> [-2. -1.]