一、 constant（常量）
constant是TensorFlow的常量节点，通过constant方法创建，其是计算图（Computational Graph）中的起始节点，是传入数据。
创建方式
cons = tf.constant(value=[1,2],dtype=tf.float32,shape=(1,2),name='testconst', verify_shape=False)参数说明
value：初始值，必填，必须是一个张量（1或[1,2,3]或[[1,2,3],[2,2,3]]或......）
dtype：数据类型，选填，默认为value的数据类型，传入参数为tensorflow下的枚举值（float32，float64.......）
shape：数据形状，选填，默认为value的shape，设置时不得比value小，可以比value阶数、维度更高，超过部分按value提供最后一个数字填充，示例代码如下
import tensorflow as tf
sess = tf.InteractiveSession()
cons1 = tf.constant([1, 2, 3], shape=[2, 3])
print(sess.run(cons1))
# [[1 2 3]
# [3 3 3]]name：常量名，选填，默认值不重复，根据创建顺序为（Const，Const_1，Const_2.......）
verify_shape:是否验证value的shape和指定shape相符，若设为True则进行验证，不相符时会抛出异常
二、placeholder（占位符）
placeholder是TensorFlow的占位符节点，由placeholder方法创建，其也是一种常量，但是由用户在调用run方法是传递的，也可以将placeholder理解为一种形参。即其不像constant那样直接可以使用，需要用户传递常数值。
创建方式
X = tf.placeholder(dtype=tf.float32, shape=[144, 10], name='X')参数说明
dtype：数据类型，必填，默认为value的数据类型，传入参数为tensorflow下的枚举值（float32，float64.......）
shape：数据形状，选填，不填则随传入数据的形状自行变动，可以在多次调用中传入不同形状的数据
name：常量名，选填，默认值不重复，根据创建顺序为（Placeholder，Placeholder_1，Placeholder_2.......）
示例代码
import tensorflow as tf
import numpy.random as random
#占位符shape不设时会按传入参数自行匹配
node1 = tf.placeholder(tf.float32) # , shape=[4, 5])
node2 = tf.placeholder(tf.float32) # , shape=[4, 5])
op = tf.multiply(node1, node2)
session = tf.Session()
const1 = tf.constant(random.rand(4, 5))
const2 = tf.constant(random.rand(4, 5))
#可以传入初始化后的常量
print(session.run(op, {node1: session.run(const1), node2: session.run(const2)}))
#也可以直接传入张量，其实同初始化后的常量一致
print(session.run(op, {node1: random.rand(2, 3), node2: random.rand(2, 3)}))
三、Variable（变量）
Vatiable是tensorflow的变量节点，通过Variable（注：V大写）方法创建，并且需要传递初始值。在使用前需要通过tensorflow的初始化方法进行初始化。通过变量 (Variable) 维护状态。
创建方式
W = tf.Variable(initial_value=tf.zeros([9, 5]), # 初始值，必填，张量或可以转换为张量的Python对象。初始值必须有指定一个形状，除非`validate_shape`设置为False。
trainable=True, # 如果`True`，则默认值也将变量添加到图形中集合`GraphKeys.TRAINABLE_VARIABLES`。这个集合用作“Optimizer”类使用的默认变量列表
collections=None, # 图表集合键的列表。新的变量被添加到这些集合。默认为`[GraphKeys.GLOBAL_VARIABLES]`。
validate_shape=True, # 如果`False`，允许变量用初始化未知形状的值。如果“True”，默认的形状`initial_value`必须是已知的。
caching_device=None, # 可选设备字符串，描述变量的位置应该被缓存以供阅读。默认为变量的设备。如果不是“None”，则缓存在另一个设备上。典型的用途是缓存在使用变量的Ops所在的设备上进行重复数据删除复制`Switch`和其他条件语句。
name='W', # 变量的可选名称。默认为“Variable”并获取自动去重（Variable_1,Variable_2....）。
variable_def=None, # `VariableDef`协议缓冲区。如果不是“无”，则重新创建变量对象及其内容，引用变量的节点在图中，必须已经存在。图形没有改变。`variable_def`和其他参数是互斥的。
dtype=tf.float32, # 如果设置，initial_value将被转换为给定的类型。如果`None'，数据类型将被保存（如果`initial_value`是一个张量），或者“convert_to_tensor”来决定。
expected_shape=None, # 张量的Shape。如果设置，initial_value需要符合这个形状。
import_scope=None) # 可选的字符串。名称范围添加到`Variable.`仅在从协议缓冲区初始化时使用。
参数说明Variable函数的全部参数如上方代码展示，不过目前我在学习中遇到常用的的参数只有如下几个，其他的参数暂时没在代码中遇到
initial_value，dtype，name，创建代码类似下面这样
W = tf.Variable(tf.zeros([3, 10]), dtype=tf.float64, name='W')四、图Graph
使用图 (graph) 来表示计算任务。TensorFlow中，算法都会被表示成计算题（Computational Graphs），也称数据流图。可以把计算图看成一种有向图，张量就是通过各种操作在有向图中流动的。
五、会话Session
在被称之为 会话 (Session) 的上下文 (context) 中执行图。
六、张量Tensor
使用 tensor 表示数据。
七、节点Node
节点（Node）在图中表示数学操作。如加减乘除等。
八、常用名词
scalar 标量
vector 向量
axis 轴，x-axis：x轴，y-axis：y轴
dim(dimension) 维度