張量，節點，命名理解
在定義靜態圖的時候，
a = tf.constant([1.0,2.0],name='x')
b = tf.constant([1.0,2.0],name='y')
c = tf.add(a,b,name='nmsl')
print(c)
<tensor>:nmsl:0,shape,dtype)
可以看出，c是一個tensor類型，所以tensor其實代表一個數據流，說白了就是一個節點輸出，其中每個tensor的名字爲對應節點的名字加：0,0代表該節點的第一個輸出tensor.
其實一般一個節點只有一個輸出，所以後面基本都是補零，因爲如果寫個d=tf.add(a,b,name='nmsl')，這個節點被改名字爲nmsl_1, 所以d這個tensor的名字就做nmsl_1:0.
總結：<張量> tensor就是指輸出的數據，名字就是其對應節點名字加：0。節點（op）包括兩種屬性：1.name(這個那麼可以自己指定，不指定話就被默認把op換成小寫的字母作爲name). 2.OP(有時也叫type,可以理解爲tensorflow中的基本類型，常見的有Add,Mul。。。。。)
注意：如果在同一個命名空間中，如果命名name已經存在，則name會自動的在名字後面補充_1,_2....依次往後添加。
測試代碼：
>>> import tensorflow as tf
>>> a=tf.constant([1.0,2.0],name='test1')
>>> b=tf.constant([1.0,2.0],name='test2')
>>> result=a+b
>>> sess=tf.Session()
2019-05-30 19:36:03.027829: I tensorflow/core/platform/cpu_feature_guard.cc:141] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2
>>> tf.train.write_graph(tf.get_default_graph(),"./","model.pbtxt")
'./model'
>>> print(result)
Tensor("add:0", shape=(2,), dtype=float32)
>>> sess.close()
>>> result2=tf.multiply(a,b,name="nmsl")
>>> sess=tf.Session()
>>> tf.train.write_graph(tf.get_default_graph(),"./","model.pbtxt")
'./model.pbtxt'
>>> print(result2)
Tensor("nmsl:0", shape=(2,), dtype=float32)
>>> sess.close()
>>> d=tf.multiply(a,b,name="nmsl")
>>> sess=tf.Session()
>>> tf.train.write_graph(tf.get_default_graph(),"./","model.pbtxt")
'./model.pbtxt'
>>> print(d)
Tensor("nmsl_1:0", shape=(2,), dtype=float32)
>>> sess.close()
>>> e=a+b
>>> f=d+a
>>> sess=tf.Session()
>>> tf.train.write_graph(tf.get_default_graph(),"./","model.pbtxt")
'./model.pbtxt'
>>> print(e)
Tensor("add_1:0", shape=(2,), dtype=float32)
>>> print(f)
Tensor("add_2:0", shape=(2,), dtype=float32)
>>> sess.close()
視圖網址：