import tensorflow as tf

with tf.Session():

  input1 = tf.constant([1.0 1.0 1.0 1.0])

  input2 = tf.constant([2.0 2.0 2.0 2.0])

  output = tf.add(input1, input2)

  result = output.eval()

  print result

结果:

两个tf.constant() 语句向计算图中创建了两个Tensor。调用tf.constant()就是创建两个指定维度的Tensor，并对其初始化

tf.add()语句向计算图中添加了一个add操作，但不会立即执行

最后调用output.eval()时，会触发Tensorflow执行计算图，从而获取output计算结点的结果（可与spark进行类比）

2.Variable(变量)的使用

import tensorflow as tf

with tf.Session() as sess:

    # Set up two variables, total and weights, that we'll change repeatedly.

    total = tf.Variable(tf.zeros([1, 2]))

    weights = tf.Variable(tf.random_uniform([1, 2]))

    # Initialize the variables we defined above.

    tf.global_variables_initializer().run()

    # This only adds the operators to the graph right now. The assignment

    # and addition operations are not performed yet.

    update_weights = tf.assign(weights, tf.random_uniform([1, 2], -1.0, 1.0))

    update_total = tf.assign(total, tf.add(total, weights))

    for _ in range(5):

        # Actually run the operation graph, so randomly generate weights and then

        # add them into the total. Order does matter here. We need to update

        # the weights before updating the total.

        sess.run(update_weights)

        sess.run(update_total)

        print(weights.eval(), total.eval())

结果:

创建了两个变量total和weights（都是1维的tensor），total所有元素初始化为0，而weights的元素则用-1到1之间的随机数进行初始化。然后在某个迭代中，使用-1到1之间的随机数来更新变量weights的元素，然后添加到变量total中。

所有变量都需要在开始执行图计算之前进行初始化。调用tf.initialize_all_variables().run()来对所有变量进行初始化。

3.Session

Session提供了Operation执行和Tensor求值的环境。

import tensorflow as tf

# Build a graph.

a = tf.constant([1.0, 2.0])

b = tf.constant([3.0, 4.0])

c = a * b

# Launch the graph in a session.

sess = tf.Session()

# Evaluate the tensor 'c'.

print (sess.run(c))

sess.close()

一个Session可能会拥有一些资源，例如Variable或者Queue。当我们不再需要该session的时候，需要将这些资源进行释放。有两种方式，

1. 调用session.close()方法；
2. 使用with tf.Session()创建上下文（Context）来执行，当上下文退出时自动释放。

上面的例子可以写成:

import tensorflow as tf

# Build a graph.

a = tf.constant([1.0, 2.0])

b = tf.constant([3.0, 4.0])

c = a * b

with tf.Session() as sess:

    print (sess.run(c))

Session类的构造函数如下所示：

tf.Session.__init__(target='', graph=None, config=None)

如果在创建Session时没有指定Graph，则该Session会加载默认Graph。如果在一个进程中创建了多个Graph，则需要创建不同的Session来加载每个Graph，而每个Graph则可以加载在多个Session中进行计算。

执行Operation或者求值Tensor有两种方式：

1. 调用Session.run()方法： 该方法的定义如下所示，参数fetches便是一个或者多个Operation或者Tensor。

   tf.Session.run(fetches, feed_dict=None)

2. 调用Operation.run()或则Tensor.eval()方法： 这两个方法都接收参数session，用于指定在哪个session中计算。但该参数是可选的，默认为None，此时表示在进程默认session中计算。

那如何设置一个Session为默认的Session呢？有两种方式：

1. 在with语句中定义的Session，在该上下文中便成为默认session；上面的例子可以修改成：

import tensorflow as tf

# Build a graph.

a = tf.constant([1.0, 2.0])

b = tf.constant([3.0, 4.0])

c = a * b

with tf.Session():

   print (c.eval())

2. 在with语句中调用Session.as_default()方法。 上面的例子可以修改成：

import tensorflow as tf

# Build a graph.

a = tf.constant([1.0, 2.0])

b = tf.constant([3.0, 4.0])

c = a * b

sess = tf.Session()

with sess.as_default():

    print (c.eval())

sess.close()

4.Graph

Tensorflow中使用tf.Graph类表示可计算的图。图是由操作Operation和张量Tensor来构成，其中Operation表示图的节点（即计算单元），而Tensor则表示图的边（即Operation之间流动的数据单元）。

tf.Graph.__init__()

创建一个新的空Graph

在Tensorflow中，始终存在一个默认的Graph。如果要将Operation添加到默认Graph中，只需要调用定义Operation的函数（例如tf.add()）。如果我们需要定义多个Graph，则需要在with语句中调用Graph.as_default()方法将某个graph设置成默认Graph，于是with语句块中调用的Operation或Tensor将会添加到该Graph中。

import tensorflow as tf

g1 = tf.Graph()

with g1.as_default():

    c1 = tf.constant([1.0])

with tf.Graph().as_default() as g2:

    c2 = tf.constant([2.0])

with tf.Session(graph=g1) as sess1:

    print sess1.run(c1)

with tf.Session(graph=g2) as sess2:

    print sess2.run(c2)

如果将上面例子的sess1.run(c1)和sess2.run(c2)中的c1和c2交换一下位置，运行会报错。因为sess1加载的g1中没有c2这个Tensor，同样地，sess2加载的g2中也没有c1这个Tensor。

5.Operation

一个Operation就是Tensorflow Graph中的一个计算节点。其接收零个或者多个Tensor对象作为输入，然后产生零个或者多个Tensor对象作为输出。Operation对象的创建是通过直接调用Python operation方法（例如tf.matmul()）或者Graph.create_op()。

例如c = tf.matmul(a, b)表示创建了一个类型为MatMul的Operation，该Operation接收Tensor a和Tensor b作为输入，而产生Tensor c作为输出。

当一个Graph加载到一个Session中，则可以调用Session.run(op)来执行op，或者调用op.run()来执行（op.run()是tf.get_default_session().run()的缩写）。

6.Tensor

Tensor（张量）表示的是Operation的输出结果。不过，Tensor只是一个符号句柄，其并没有保存Operation输出结果的值。通过调用Session.run(tensor)或者tensor.eval()方可获取该Tensor的值。一个张量中主要保存了三个属性：名字（name）,维度（shape）,类型（type）

import tensorflow as tf

with tf.Session():

    a = tf.constant([1.0, 2.0], name="a1")

    b = tf.constant([3.0, 4.0], name="b1")

    result = tf.add(a, b, name="add1")

    print(result)

1>张量的命名可以通过"node:src_output"的形式给出。node为节点的名称，src_output表示当前张量来自节点的第几个输出。add1:0说明了result这个张量是计算节点“add”输出的第一个结果（编号从0开始）

2>shape=(2,)说明了张量result是一个以为数组，这个数组的长度为2

3>每个张量都有一个唯一的类型，类型不匹配时会报错，例如：