张量 tensor

张量是深度学习框架存储数据的结构，张量就是数组，但是一般是高维数组：把几个矩阵叠起来这样。
TF的张量是元组（因为TF代码是Python的）。

图 graph

图是TF的主要结构。TF中能执行的结构就是图。
上面说的张量是构成图的边！边与边之间的结点叫“操作”。
在TF中，张量计算后才能拿到数组中的值，图在运算前，张量就是简单的张量结构tf.Tensors，并不能拿到里面的值。看下例子：

a = tf.constant(3.0, dtype=tf.float32)
b = tf.constant(4.0) 
total = a + b
print(a)
print(b)
print(total)

这是一段经典的类似“helloWorld”的代码。a,b都是tf常量，一个3一个4。但他们是张量，所以+操作后还是张量，打印出来的并不是7：

Tensor("Const:0", shape=(), dtype=float32)
Tensor("Const_1:0", shape=(), dtype=float32)
Tensor("add:0", shape=(), dtype=float32)

图中的每个指令都拥有唯一的名称。这个名称不是我们变量的名称。张量是根据生成它们的指令命名的，后面跟着输出索引，如上文的 "add:0" 所示。

TensorBoard 的功能之一是将图可视化。执行

writer = tf.summary.FileWriter('.')
writer.add_graph(tf.get_default_graph())

将在当前目录中生成一个 event 文件，其名称格式是events.out.tfevents.{timestamp}.{hostname}。
新建一个终端执行"tensorboard --logdir ."，然后打开http://localhost:6006就能看到可视图。

到目前我们的图还是没运行过，我们看不到3+4的结果是多少。
要运行图，需要通过会话：

sess = tf.Session()
print(sess.run(total))

这样7.0就打出来了！

一定要记住，图在运行前，张量中的值是不计算的。看下面的例子：

vec = tf.random_uniform(shape=(3,))
out1 = vec + 1
out2 = vec + 2
print(sess.run(out1))
print(sess.run(out2))
print(sess.run((out1, out2)))

tf.random_uniform会产生一个随机向量。但是你可以看到前两次打印的结果并不是相差1，因为每次运行的时候vec是不同的。而第三次打印由于vec只产生一次，它们就相差刚好是1（可能你看到的相差比1大或者小千万分之一）。

如果tf只支持常量就太难用了，所以最后说一下参数化，类似于一个函数接收几个参数。

x = tf.placeholder(tf.float32)
y = tf.placeholder(tf.float32)
z = x + y

这一段很容易看懂：x,y都是浮点数，到底是多少目前不知道。z是他们的和。
使用的时候要给x.y赋值，需要用feed_dict以字典形式传入：

print(sess.run(z, feed_dict={x: 3, y: 4.5}))
print(sess.run(z, feed_dict={x: [1, 3], y: [2, 4]}))

这样结果就打出来了。
如果你不小心把x写成了z，而z正是它们的和怎么办？

print(sess.run(z, feed_dict={z: 3, y: 4.5}))

又或者你不小心在字典出现了o,p,q等莫名其妙的键又会怎么样？

以上就是tf的核心概念，其他更复杂的操作都是基于上面这些。