首先我们确认TensorFlow的版本
import tensorflow as tf
# 确认TensorFlow的版本
print(tf.__version__)
在TensorFlow中，tensor是一个类，也是存储和变换数据的主要工具。 如果你之前用过NumPy，你会发现tensor和NumPy的多维数组非常类似。 然而，tensor提供GPU计算和自动求梯度等更多功能，这些使tensor更加适合深度学习。
1.TensorFlow的基本功能
首先用arange创建一个行向量
# constant()函数表示
x = tf.constant(range(12))
print(x.shape)
关于constan函数在TensorFlow中表示张量。
关于张量：
多维数组可以被称之为张量，和numpy中的数组一样，张量也有类型和形状。在tensorflow 的python API中，可以用numpy中的ndarrays来表示。 通常用来保存浮点数据，也可以用来存储字符串（任意字节的数组）。
第一个值value是必须的，可以是一个数值，也可以是一个列表。
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：
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：
第四个参数name可以是任何内容，主要是字符串就行。
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。
具体可以看这个https://blog.csdn.net/csdn_jiayu/article/details/82155224
def constant_v1(value,
dtype: Any = None,
shape: Any = None,
name: str = "Const",
verify_shape: bool = False)
广播机制
两个形状相同的tensor做按元素运算。当对两个形状不同的tensor按元素运算时，可能会触发广播（broadcasting）机制：先适当复制元素使这两个tensor形状相同后再按元素运算。
索引
在tensor中，索引（index）代表了元素的位置。tensor的索引**从0开始逐一递增。
我们指定了tensor的行索引截取范围[1:3]。依据左闭右开指定范围的惯例，它截取了矩阵X中行索引为1和2的两行。
tf.assign()的作用类似于python操作符中的=理解为tensorflow中为操作符进行赋值操作。
tensor 和 NumPy 相互变换
我们可以通过array函数和asnumpy函数令数据在NDArray和NumPy格式之间相互变换。下面将NumPy实例变换成tensor实例。
