一、张量(tensor)
TensorFlow用张量（tensor）这种数据结构来表示所有的数据。
一阶张量来表示向量，如：v = [1.2, 2.3, 3.5]
二阶张量表示矩阵，如：m = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
可以看成是方括号嵌套的层数。
二、常量(constant)
在tensorflow中，常量的定义语句为：
import tensorflow as tf
a=tf.constant(3)
这就定义了一个值为10的常量a
三、变量(Variable)
变量用Variable来定义，并且必须初始化，如：
x=tf.Variable(tf.ones([3,3]))
y=tf.Variable(tf.zeros([3,3]))
分别定义了一个3x3的全1矩阵x，和一个3x3的全0矩阵y，0和1的值就是初始化。
变量定义完后，还必须显式的执行一下初始化操作，即需要在后面加上一句：
init=tf.global_variables_initializer()
不加这句，可能会报错。
四、占位符(placeholder)
变量在定义时要初始化，但是如果有些变量刚开始我们并不知道它们的值，无法初始化，那怎么办呢？
那就用占位符来占个位置，如：
x = tf.placeholder(tf.float32, [None, 784])
指定这个变量的类型和shape，以后再用feed的方式来输入值。
五、图(Graph)
如果把下面的python语句改在tf语句，该怎么写呢：
x=3
y=2
z=x+y
print(z)
定义两个变量，并将两个数相加，输出结果。如果在tf中直接像上面这样写，那就错了。x,y,z分别是三个tensor对象，对象间的运算称之为操作(op), tf不会去一条条地执行各个操作，而是把所有的操作都放入到一个图(graph）中，图中的每一个结点就是一个操作。然后行将整个graph 的计算过程交给一个 TensorFlow 的Session, 此 Session 可以运行整个计算过程，比起操作(operations)一条一条的执行效率高的多。
执行代码如下：
import tensorflow as tf
x = tf.Variable(3)
y = tf.Variable(5)
z=x+y
init =tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init)
print(sess.run(z))
其中sess.run()即是执行，注意要先执行变量初始化操作，再执行运算操作。
Session需要先创建，使用完后还需要释放。因此我们使用with…as…语句，让系统自动释放。
五、编写Tensorflow程序
实际上编写tensorflow可以总结为两步.
（1）组装一个graph;
（2）使用session去执行graph中的operation。
因此我们从 graph 与 session 说起。
1、graph和session
(1)、概念说明
下面是 graph , session , operation , tensor 四个概念的简介。
Tensor：类型化的多维数组，图的边；
Operation:执行计算的单元，图的节点；
Graph：一张有边与点的图，其表示了需要进行计算的任务；
Session:称之为会话的上下文，用于执行图。
Graph仅仅定义了所有 operation 与 tensor 流向，没有进行任何计算。而session根据 graph 的定义分配资源，计算 operation，得出结果。既然是图就会有点与边，在图计算中 operation 就是点而 tensor 就是边。Operation 可以是加减乘除等数学运算，也可以是各种各样的优化算法。每个 operation 都会有零个或多个输入，零个或多个输出。 tensor 就是其输入与输出，其可以表示一维二维多维向量或者常量。而且除了Variables指向的 tensor 外所有的 tensor 在流入下一个节点后都不再保存。
(2)、计算图
Tensorflow 是基于计算图的框架，因此理解 graph 与 session 显得尤为重要。不过在讲解 graph 与 session 之前首先介绍下什么是计算图。假设我们有这样一个需要计算的表达式。该表达式包括了两个加法与一个乘法，为了更好讲述引入中间变量c与d。由此该表达式可以表示为：
当需要计算e时就需要计算c与d，而计算c就需要计算a与b，计算d需要计算b。这样就形成了依赖关系。这种有向无环图就叫做计算图，因为对于图中的每一个节点其微分都很容易得出，因此应用链式法则求得一个复杂的表达式的导数就成为可能，所以它会应用在类似tensorflow这种需要应用反向传播算法的框架中。
(3)、程序实现a=(b+c)∗(c+2)a=(b+c)∗(c+2)
1、定义数据
import tensorflow as tf
# 首先，创建一个TensorFlow常量=>2
const = tf.constant(2.0, name='const')
# 创建TensorFlow变量b和c
b = tf.Variable(2.0, name='b')
c = tf.Variable(1.0, dtype=tf.float32, name='c')
如上，TensorFlow中，使用tf.constant()定义常量，使用tf.Variable()定义变量。Tensorflow可以自动进行数据类型检测，比如：赋值2.0就默认为tf.float32，但最好还是显式地定义。更多关于TensorFlow数据类型的介绍查看官方文档。
2、定义计算
# 创建operation
d = tf.add(b, c, name='d')
e = tf.add(c, const, name='e')
a = tf.multiply(d, e, name='a')
发现了没，在TensorFlow中，+−×÷+−×÷都有其特殊的函数表示。实际上，TensorFlow定义了足够多的函数来表示所有的数学运算，当然也对部分数学运算进行了运算符重载，但保险起见，我还是建议你使用函数代替运算符。
**！！TensorFlow中所有的变量必须经过初始化才能使用，**初始化方式分两步：
1、定义初始化operation
2、运行初始化operation
# 1. 定义init operation
init_op = tf.global_variables_initializer()
以上已经完成TensorFlow graph的搭建，下一步即计算并输出。
运行graph需要先调用tf.Session()函数创建一个会话(session)。session就是我们与graph交互的handle。更多关于session的介绍见官方文档。
# session
with tf.Session() as sess:
# 2. 运行init operation
sess.run(init_op)
# 计算
a_out = sess.run(a)
print("Variable a is {}".format(a_out))
在学习的过程中借鉴了一些大佬的博客，下面放出参考链接。
参考文献
1、https://blog.csdn.net/hustqb/article/details/80222055
2、https://blog.csdn.net/m0_37167788/article/details/79024541
