在TensorFlow API中创建常量的函数原型如下所示：
tf.constant(
value,
dtype=None,
shape=None,
name='Const',
verify_shape=False
)
可以看到第一个值value是必须的，可以是一个数值，也可以是一个列表。
如果是数值：
tensor=tf.constant(1)
为查看结果必须创建一个会话，并用取值函数eval()来查看创建的tensor的值：
sess=tf.Session()
with sess.as_default():
print('结果是：', tensor.eval())
结果是：1
而如果value是一个列表：
tensor=tf.constant([1, 2])
sess=tf.Session()
with sess.as_default():
print('结果是：', tensor.eval())
结果是：[1 2]
后面四个参数可写可不写，第二个参数表示数据类型，一般可以是tf.float32, tf.float64等：
tensor=tf.constant([1, 2], dtype=tf.float32)
sess=tf.Session()
with sess.as_default():
print('结果是：', tensor.eval())
结果是： [1. 2.]
注意到数据类型相比之前发生了改变，因为这次我们指定了数据类型为float32，所以不是1 2，而是1. 2.。
第三个参数表示张量的“形状”，即维数以及每一维的大小。如果指定了第三个参数，当第一个参数value是数字时，张量的所有元素都会用该数字填充：
tensor=tf.constant(-1, shape=[2, 3])
sess=tf.Session()
with sess.as_default():
print('结果是：', tensor.eval())
结果是： [[-1 -1 -1]
[-1 -1 -1]]
可以看到是一个二维张量，第一维大小为2， 第二维大小为3，全用数字-1填充。
而当第一个参数value是一个列表时，注意列表的长度必须小于等于第三个参数shape的大小（即各维大小的乘积），否则会报错：
tensor=tf.constant([1, 2, 3, 4, 5, 6, 7], shape=[2, 3])
Traceback (most recent call last):
File "<pyshell#68>", line 1, in <module>
tensor=tf.constant([1, 2, 3, 4, 5, 6, 7], shape=[2, 3])
ValueError: Too many elements provided. Needed at most 6, but received 7
这是因为函数会生成一个shape大小的张量，然后用value这个列表中的值一一填充shape中的元素。这里列表大小为7，而shape大小为2*3=6，无法正确填充，所以发生了错误。
而如果列表大小小于shape大小，则会用列表的最后一项元素填充剩余的张量元素：
tensor=tf.constant([1, 2], shape=[1, 4, 3])
sess=tf.Session()
with sess.as_default():
print('结果是：', tensor.eval())
结果是： [[[1 2 2]
[2 2 2]
[2 2 2]
[2 2 2]]]
第四个参数name可以是任何内容，主要是字符串就行。
不输入任何内容时：
tensor=tf.constant([1, 2])
print(tensor)
Tensor("Const_16:0", shape=(2,), dtype=int32)
作为对比：
tensor=tf.constant([1, 2], name="jiayu")
print(tensor)
Tensor("jiayu_1:0", shape=(2,), dtype=int32)
第五个参数verify_shape默认为False，如果修改为True的话表示检查value的形状与shape是否相符，如果不符会报错。
tensor=tf.constant([[1, 2, 3], [4, 5, 6]], shape=[2, 3], verify_shape=True)
以上代码value与shape都是两行三列，检查结果正确。而下面的代码会报错：
tensor=tf.constant([1, 2], shape=[3, 2], verify_shape=True)
Tensorflow 中几个特殊张量：
- tf.Variable
- tf.constant
- tf.placeholder
tf.Variable
Tensorflow 变量是表示程序处理的共享持久状态的最佳方法。
创建变量
创建变量的最佳方式是调用 tf.get_variable函数。此函数需要指定变量的名字与形状。
# 创建名为‘variable_a’,形状为[1,2,3]的3维张量
variable_a = tf.get_variable("a",shape=[1,2,3])
tf.get_variable还可以指定数据类型（默认的是 tf.float32）和初始化器。Tensorflow 提供了许多方便的初始化器，比如
tf.zeros_initializer
初始化为0
variable_b = tf.get_variable("b", shape=[1, 2, 3], dtype=tf.float32,
initializer=tf.zeros_initializer)
tf.constant_initializer
初始化为常量
value = np.array([0, 1, 2, 3, 4, 5, 6, 7])
variable_c = tf.get_variable("c", dtype=tf.float32, shape=value.shape,
initializer=tf.constant_initializer(value))
tf.truncated_normal_initializer
随机初始化
variable_d = tf.get_variable('d', dtype=tf.float32, shape=[4, 3, 4], initializer=tf.truncated_normal_initializer)
tf.contrib.layers.xavier_initializer
随机初始化
variable_e = tf.get_variable('e', dtype=tf.float32, shape=[4, 3, 4], initializer=xavier_initializer())
此处介绍几种常见的初始化器，其中在初始化方面使用比较多的是后两种，建议使用xavier_initializer初始化器，之前在用 lstm模型进行文本分类过程中，使用truncated_normal_initializer进行初始化，发现在训练过程中，lstm 模型执行少数batch后就收敛，致使模型在训练集和测试集上的准确率都很低。当然，这个也不绝对，具体还是要根据自己的模型而定。
初始化变量
变量必须先初始化后才可使用。在低级别的编程中，需要明确初始化，高级别框架下是自动初始化的。此处介绍下低级别编程中初始化的问题。
指定初始化某个变量
sess=tf.Session()
sess.run(tf.initialize_variables([variable_c]))
在变量比较少的模型中，使用上述方法是很 ok 的，但是在变量比较多的情况下，使用上述方法可能会很不爽，至少对我是这样的。
初始化全部变量
sess.run(tf.initialize_all_variables())
tf.constant
使用tf.constant来创建一个常量。
```
# 创建0维常量
tf.constant(0.2,name='a')
# 创建1维常量
tf.constant([1,2,3,4],name='b')
tf.constant(-1.0, shape=[2, 3], name='b')
```
tf.placeholder
此函数的作用可以作为 java 方法中的形参，用于定义过程，在方法执行时再赋予具体的值。
a = tf.placeholder(dtype=tf.float32, shape=None, name='a')
b = tf.placeholder(dtype=tf.float32, shape=None, name='b')
with tf.Session() as sess:
print(sess.run(a + b, feed_dict={a: 1, b: 2}))