tensorflow的基本使用：
1、使用图（graph）来计算任务。
2、在被称为 会话（Session）的上下文（context）中执行图。
3、使用（tensor）表示数据。
4、通过变量（Variable）维护状态。
5、使用 feed 和 fetch 为任意操作输入和输出数据。
图中的节点被称为 op，一个op获得0个或者多个Tensor，每一个Tensor是一个类型化的多维数组。
图必须在会话里被启动，会话将节点op分发到CPU/GPU设备上，同时提供执行op的方法。执行后，将产生的数据tensor返回。（Python中，返回的tensor是numpy ndarray对象）
构建阶段-->节点op被描述成一个图
|
|
执行阶段-->使用会话执行图中的节点op
构建图：
构造器--创建常量op：1x2的矩阵：
matrixl = tf.constant([[3.,3.]])
矩阵乘法的实现：
result = tf.matmul(matrix1, matrix2)
启动图：
1、创建一个会话（Session）常量：
sess = tf.Session()
2、使用会话执行操作：
result = sess.run()
如执行上述的矩阵乘法操作
result = sess.run(result)
3、关闭会话：
sess.close()
或者使用with方式，可以直接自动关闭：
with tf.Session() as sess:
result = sess.run([product])
为了便于使用诸如 IPython 之类的 Python 交互环境, 可以使用 InteractiveSession 代替 Session 类, 使用
Tensor.eval() 和 Operation.run() 方法代替 Session.run() . 这样可以避免使用一个变量来持有会话.
在tensorflow中定义的操作只相当于一个函数表达式，在不进行run语句的情况下，都没有对数据进行真实的操作，当进行了sess.run(fun_name)以后该函数才起到作用
关于数据tensor：
可以看做一个n维的数组或列表，一个数据tensor包含一个静态类型rank（排名）和一个shape（形状）。
关于变量variables：
变量即非固定可改变的数据，使用变量需要的步骤：
1、创建，可以直接创建变量，需要指定shape（形状）
a = tf.variable(3,name="coun")
a = tf.variable(tf.random_normal([784,200], stddev=0.35), name="coun")
还可以用其他变量值创建：
b = tf.variable(a.initialized_value(),name="copy")
2、初始化
使用init_op = tf.global_variables_initializer()添加一个op来运行初始化，或者使用init_op = tf.initialize_all_variables()用来初始化所有的变量。
然后使用sess.run(init_op) 来运行构建的模型。
如官方的代码：
import tensorflow as tf
#创建一个变量，变量的值为0
state = tf.Variable(0, name="counter")
#数据1
one = tf.constant(1)
#创建一个op（方法），目的是为了使state变量与one数据相加
new_value = tf.add(state, one)
#创建一个op（方法），目的是为了将相加以后的和赋值为state
update = tf.assign(state, new_value)
#创建一个op（方法），初始化变量
init_op = tf.initialize_all_variables()
# 启动图, 运行 op
with tf.Session() as sess:
sess.run(init_op)
# 打印 'state' 的初始值
print(sess.run(state))
# 运行 op, 更新 'state', 并打印 'state'
for _ in range(3):
#累加一次
sess.run(update)
print(sess.run(state))
通常会将一个统计模型中的参数表示为一组变量. 例如, 你可以将一个神经网络的权重作为某个变量存储在一个 tensor 中. 在训练过程中, 通过重复运行训练图, 更新这个 tensor.
关于session的执行（run）函数：
run用于执行图，执行时传入一些tensor， 这些 tens
or 会帮助你取回结果，如果有多个op需要运行，可以在一次调用run()中传入多个op，例：
interm = tf.add(input1, input2)
output = tf.multiply(input3, interm)
with tf.Session() as sess:
result = sess.run([interm, output])
print(result)
