1.构建计算图（graph）过程：
定义张量，使用matmul或add等进行操作
2.载入回话（sess）：
1）基本方式:sess=tf.Session();sess.run();sess.close()
2）简洁方式:with tf.Session() as sess: sess.run() 自动关闭回话
3）交互方式:sess = tf.InteractiveSession();Operation.run();Tensor.eval()
在交互方式中，对具体操作进行直接回话，对具体张量的值进行显示输出
3.指定运算设备：
默认使用cpu，有gpu则默认使用gpu0，可通过with tf.device("/gpu:1")调用第2个gpu
4.AVX：
高级矢量扩展，CPU支持高级矢量扩展，但是在有GPU时不需要，
可调用os库，使用os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'忽略警告
5.变量（variables）：
存储状态信息，即参数
6.变量初始化：
1）并行方式：init_op = tf.initialize_all_variables();sess.run(init_op) 初始化全部变量
2）自定义方式：w2 = tf.Variable(w1.initialized_value(),name='w2') 使用另一个张量的值初始化一个变量，仍需要并行初始化
7.assign函数：通过将 "value" 赋给 "ref" 来更新 "ref"。
assign （
ref ，
value ，
validate_shape = None ，
use_locking = None ，
name = None
）
ref：一个可变的张量。应该来自变量节点。节点可能未初始化。
value：张量。必须具有与 ref 相同的类型。是要分配给变量的值。
validate_shape：一个可选的 bool。默认为 True。如果为 true, 则操作将验证 "value" 的形状是否与分配给的张量的形状相匹配；如果为 false, "ref" 将对 "值" 的形状进行引用。
use_locking：一个可选的 bool。默认为 True。如果为 True, 则分配将受锁保护;否则, 该行为是未定义的, 但可能会显示较少的争用。
name：操作的名称（可选）。
8.取回/输出：
可以使用列表一次执行多个变量的回话，将 多个变量的结果一次性输出
9.喂入feed：
在执行会话时，可以使用feed_dict={}指定数据，主要是对使用placeholder进行占位的变量