基本使用
- 使用图（graph）来表示计算任务
- 激活会话（Session）执行图
- 使用张量（tensor）表示数据
- 定义变量（Variable）
- 使用feed可以任意赋值或者从中获取数据，通常与占位符一起使用
1、综述
Tensorflow是一个开源框架，使用图来表示计算任务，图中的节点被称作op(operation)，一个op获得0个或者多个Tensor，执行计算，产生0个或者多个Tensor，每个tensor是一个类型的多维数组。例如，你可以将一小组图像集表示为一个四维浮点数数字，这四个维度分别是[batch,height,width,channels]。一个TensorFlow图描述了计算的过程，为了进行计算，图必须在会话里启动，会话将图的op分发到诸如CPU或者GPU的设备上，同时提供执行op的方法，这些方法执行后，将产生的tensor返回，在python语言中，返回的tensor是numpy array对象，在C或者C++语言中，返回的tensor是tensorflow:Tensor实例。
2、构建图
import tensorflow as tf
c = tf.constant(0.0) # 自动默认图建立
g = tf.Graph() # 手动建立图
with g.as_default():
c1 = tf.constant(0.0)
print(c1.graph)
print(g)
print(c.graph)
g2 = tf.get_default_graph()
print(g2) tf.reset_default_graph()
g3 = tf.get_default_graph()
print(g3)
c是在刚开始的默认图中建立的，所以图的打印值就是原始的默认图的打印值。
然后使用tf.Graph函数建立一个图，并在新建的图里添加变量，可以通过变量的.graph获得所在图。
在新图的作用域外，使用tf.get_default_graph函数又获得了原始的默认值。
使用tf.reset_default_graph函数重新建了一张图代替原来的默认图
3、获取张量tensor
print(c1.name)
t = g.get_tensor_by_name(name = "Const:0")
print(t)
4、变量（Variables）：启动图后，必须先初始化
#创建一个变量，初始化为标量0
state = tf.Variable(0,name = 'counter') #创建一个op，其作用是使state增1
one = tf.constant(1)
new_value = tf.add(state,one) '''
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.
'''
update = tf.assign(state,new_value) #启动图后，变量必须先经过'初始化' op
#首先必须增加一个 '初始化' op 到图中
init_op = tf.global_variables_initializer() #启动图，运行op
with tf.Session() as sess:
sess.run(init_op)
#打印state初始值
print(sess.run(state)) #
#运行op,更新state,并打印
for _ in range(3):
sess.run(update)
print(sess.run(state)) # 1 2 3
5、Feed机制：可以使用一个tensor临时替换一个操作的输出结果，提供feed数据作为run()调用的参数，feed只在调用它的方法内有效，方法结束，feed就会消失，常与占位符tf.placeholder()一起使用。
input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)
output = tf.multiply(input1, input2) #使用7替代input1,2替代input2，feed操作相当于设置一个占位符
with tf.Session() as sess:
print(sess.run([output], feed_dict={input1:[7.], input2:[2.]})) #[array([ 14.], dtype=float32)]