基于tensorflow的NN，用张量表示数据，用计算图搭建神经网络，用会话执行计算图，优化线上的权重（参数），得到模型。
张量（tensor）：多维数组（列表），阶（张量的维数），可以表示0阶到n阶数组（列表）
| 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 = [[[...(n个) |
import tensorflow as tf
a = tf.constant([1.0,2.0]) #常数
b = tf.constant([3.0,4.0])
result = a+b
print(result) #是一个张量
"add"节点名，“0”第0个输出，shape维度，（2，）一维数据，长度是2，dtype数据类型
计算图（graph）：承载多个计算节点，搭建神经网络的计算过程，只搭建，不运算。
x = tf.constant([[1.0, 2.0]])
w = tf.constant([[3.0], [4.0]])
y = tf.matmul(x,w)
print(y)
会话（session）：执行计算图中的节点运算，来得到运算结果
with tf.Session() as sess:
print(sess.run(y))
with tf.Session() as sess:
print(sess.run(y))
x = tf.constant([[1.0, 2.0]])
w = tf.constant([[3.0], [4.0]])
y = tf.matmul(x,w)
print(y)
with tf.Session() as sess:
print(sess.run(y))
参数：即神经网络上神经元的权重，用变量表示，随机给初值。
w = tf.Variable(tf.random_normal([2,3], stddev=2, mean=0, seed=1)) #随机生成参数，正态分布，矩阵2*3，标准差是2，均值为0
