读完本篇，你应该能够：自己使用Tensorflow搭建一个神经网络。
首先对于Tensorflow有一个基本的认识，如果你是一个新手，还是乖乖地看完第一节的介绍部分。
一、基本概念
1 张量（tensor）
Tensorflow的核心数据单位是张量，一个张量其实就是一个多维数组（列表），其中的阶表示的是张量的维数，张量可以表示0阶到n阶数组。在Tensorflow中使用numpy阵列来表示张量值。
| 维数 | 阶 | 名字 | 例子 |
| 0-D | 0 | 标量（scalar） | s = 1 2 3 |
| 1-D | 1 | 向量（vector） | v= [1, 2, 3] |
| 2-D | 2 | 矩阵（matrix） | m = [[1, 2, 3], [4, 5, 6], [7, 8, 9]] |
| n-D | n | 张量（tensor） | t = [[[ ... |
2 图（Graph）
计算图是排列成一个图的一系列Tensorflow指令，图由两种类型的对象组成：
- 操作（简称“op”）：表示图的节点。
- 张量：为图的边，代表将流经图的值。大多数的Tensorflow函数会返回tf.Tensors。
下面我们使用Tensorflow来构建一个图：
import tensorflow as tf
a = tf.constant(3.0, dtype = tf.float32)
b = tf.constant(4.0)
total = a + b
print(a)
print(b)
print(total)猜猜上面的程序的运行结果是什么？你可能觉得应该分别是3.0, 4.0和7.0吧，我只能很遗憾的告诉你：不是！
运行结果是上图这样的，这是因为在Tensorflow中构建图并不会执行相应的运算。因此输出的结果tf.Tensor对象仅代表这个图的输出数据的格式。图中的每个指令都有唯一的名称。
3 会话（Session）
前面讲了那么多，还是不能使用Tensorflow计算出结果。想要让我们设计的图能够正常的输出数据，就需要实例化一个tf.Session对象。一种简单方便的会话的写法如下：
With tf.Session() as sess:
print(sess.run(graph_name))比如结合上一小节中的例子，完整的程序如下所示：
怎么样，现在你应该对这个结果比较满意吧？输出的结果正是7.0唉，和之前的预测一致！
小结1：因此，现在你应该摸清楚了Tensorflow使用的方法了吧？首先，使用Tensorflow语句构建Graph，这个图是一个模型，并没有数据实际流动；Graph设计好之后就需要使用tf.Session()来让我们的数据（以张量的格式）在Graph中流动计算，最终得到结果。
那么接下来，我们考虑一个严肃的问题：在Tensorflow中我应该怎样表示我的数据呢？如何表示常量？变量？输入值呢？因此我们还需要再仔细的说说张量。
4 再话张量
tf.Tensor具有以下的属性：
- 数据类型：float32、int32、string等
- 形状
张量中的每个元素都具有相同的数据类型。以下是Tensorflow中常用的张量类型：
| 张量类型 | 值是否可变 | 一句话介绍 | 详细点的说明 |
| tf.Variable | 可变 | 变量 | 主要用来定义一些可变量，比如神经网络里面的权值或者偏移量等等。在训练的过程中，其值会改变，需要指定初始值。 |
| tf.constant | 不可变 | 常量 | 就是用来创建常量，在Session.run函数中不可修改！ |
| tf.placeholder | 不可变 | 占位符，相当于C语言里的scanf等待feed数据 | 用于得到传递进来的真实的训练样本。不必指定初始值，可以在Session.run的函数的feed_dict参数指定。 |