Tensor 是TensorFlow的數據結構，Flow是TensorFlow的計算模型，它直觀地表達了張量之間通過計算相互轉化的過程。TensorFlow 是一個通過計算圖的形式表述計算的編程系統。
張量結構
張量：
一：對中間計算結果的引用，這樣方便獲取中間計算結果同時提高了代碼的閱讀性。
二：可以用來獲得計算結果，這需要配合session.
從功能的角度，張量可以被簡單的理解爲多維數組，但從實際的角度來講，張量中並沒有保存數字，而保存的是如何得到這些數字的計算過程。
Tensor("add_10:0", shape=(2,), dtype=float32)
Name屬性：
name是一個Tensor的唯一標識符，同時name也給出了該Tensor是如何計算出來的。計算圖上的node和計算是相對應的。
計算的結果保存在Tensor中，Tensor的name屬性可以通過”node:src_output”形式給出。
- node爲節點的名稱-
- src_output表示Tensor來自當前節點的第幾個輸出。
Shape屬性：
shape屬性描述了一個Tensor的維度信息
Type屬性：
每一個Tensor都有一個唯一的類型，TensorFlow會對所有參與計算的Tensor進行類型檢查，當發現類型不匹配時會報錯。
計算圖
TensorFlow程序一般可以分爲兩個階段。
第一階段：定義計算圖中所有的計算。
第二階段：執行計算。
定義計算圖中所有的計算
import tensorflow as tf
a = tf.constant([1.0,2.0],name='a')
b = tf.constant([2.0,3.0],name='b')
result = tf.add(a,b,name='add')
print(result)
>> Tensor("add_10:0", shape=(2,), dtype=float32)
執行計算
a，b，result都是張量，tf.constant tf.add代表了張量之間的計算關係。
會話
用於執行定義好的運算
import tensorflow as tf
a = tf.constant([1.0,2.0],name='a')
b = tf.constant([2.0,3.0],name='b')
result = tf.add(a,b,name='add')
//執行運算
sess = tf.Session()
//在計算張量取值的時候，需要指定會話
print(sess.run(result)) // print(result.eval(session=sess))
sess.close()
或者，使用with可以異常退出時資源釋放的問題。
With tf.session() as sess:
Print(srss.run(result))
或者，指定默認會話，指定默認會話後纔可以計算張量的取值
sess = tf.Session()
with sess.as_default():
print(result.eval());
在交互式環境下，tf.InteractiveSession函數可以省去將產生的會話註冊爲默認會話的過程。
Sess = tf.InteractiveSession()
Print(result.eval())
Sess.close()
神經網絡
在使用tensorflow構建神經網絡時，tensorflow提供了特定的數據結構（變量，佔位符等）用於存儲特定的網絡數據（權重，偏置等等）。
變量
變量（tf.Variable）的作用是保存和更新神經網絡中的參數。
變量需要制定初始值，在神經網絡中一般使用隨機數給變量進行初始化，設定初始化方式。
Weights = tf.Variable(tf.random_normal([2,3], stddev=2))
Bias = tf.variable(tf.zeros([3]))
該語句會產生一個2*3的矩陣，矩陣中的元素爲均值爲0，標準差爲2的隨機數；
雖然在變量定義時給出了初始化的方法，但這個芳芳並沒有被執行。
所以在神經網絡運行之前，需要使用session來運行變量初始化
Sess.run(weights.initrilizer)
TensorFlow提供了一種更加便捷的方式來完成變量初始化過程，通過tf.initialize_all_variables函數實現初始化所有變量的過程。
Init_op = tf.initailize_all_variables()
Sess.run(ini_op)
佔位符
TensorFlow提供了placeholder機制用於提供輸入數據，placeholder相當於定義了一個位置，這個位置中的數據在程序運行時再指定。這樣在程序中就不需要生成大量常量來提供輸入數據。
使用佔位符時，需要通過feed_dict來指定x的初始取值。
使用佔位符實現前向傳播
OP
OP表示某種抽象計算，它擁有0個或多個「輸入/輸出」，及其0個或多個「屬性」。其中，輸入/輸出以Tensor的形式存在。