https://www.cnblogs.com/lienhua34/p/5998853.html
https://www.cnblogs.com/wuzhitj/p/6431381.html
一、基本概念
API文档：https://tensorflow.google.cn/api_docs/python
https://www.w3cschool.cn/tensorflow_python/tensorflow_python-fibz28ss.html
Tensorflow是一个基于图的计算系统，其主要应用于机器学习。
从Tensorflow名字的字面意思可以拆分成两部分来理解：Tensor+flow。
Tensor：中文名可以称为“张量”，其本质就是任意维度的数组。一个向量就是一个1维的Tensor，一个矩阵就是2维的Tensor。
Flow：指的就是图计算中的数据流。
要使用Tensorflow做什么事情的时候，一般需要三个操作步骤：
创建Tensor；
添加Operations（Operations输入Tensor，然后输出另一个Tensor）；
执行计算（也就是运行一个可计算的图）。
Tensorflow有个图的概念，Operations会添加到图中，作为图的节点。在添加某Operation的时候，不会立即执行该Operation。Tensorflow会等待所有Operation添加完毕，然后Tensorflow会优化该计算图，以便决定如何执行计算。
二、简单示例
- 向量相加
[1. 1. 1. 1.] + [2. 2. 2. 2.] = [3. 3. 3. 3.]
# -*- coding: utf-8 -*-
import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
'''
向量相加
'''
with tf.Session() as sess:
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)
# 使用eval运行
result = sess.run(output)
print (result)
writer = tf.summary.FileWriter('logs/', sess.graph)
Tensorflow的计算必须要在一个Session的上下文中。Session会包含一个计算图，而这个图你添加的Tensors和Operations。当然，你在添加Tensor和Operation的时候，它们都不会立即进行计算，而是等到最后需要计算Session的结果的时候。当Tensorflow之后了计算图中的所有Tensor和Operation之后，其会知道如何去优化和执行图的计算。
两个tf.constant() 语句向计算图中创建了两个Tensor。调用tf.constant()的动作大致可以说为，创建两个指定维度的Tensor，以及两个constant操作符用于初始化相对应的Tensor（不会立即执行）。
tf.add()语句向计算图中添加了一个add操作，当不会立即执行，这时候add操作的结果还无法获取。
当我们最后调用output.eval()时，会触发Tensorflow执行计算图，从而获取output计算结点的结果。
三、基本类
1. Tensor类
在tensorflow中，数据是被封装在tensor对象中的。tensor是张量的意思，即包含从0到任意维度的张量。常数是0维度的张量，向量是1维度的张量，矩阵是二维度的张量，以及还有多维度的张量。
张量的函义：
3 # 这个 0 阶张量就是标量，shape=[]
[1., 2., 3.] # 这个 1 阶张量就是向量，shape=[3]
[[1., 2., 3.], [4., 5., 6.]] # 这个 2 阶张量就是二维数组，shape=[2, 3]
[[[1., 2., 3.]], [[7., 8., 9.]]] # 这个 3 阶张量就是三维数组，shape=[2, 1, 3]
张量使用：
# tensor1 是一个0维的 int32 tensor
tensor1 = tf.constant(1234)
# tensor2 是一个1维的 int32 tensor
tensor2 = tf.constant([123,456,789])
# tensor3 是一个二维的 int32 tensor
tensor3 = tf.constant([ [123,456,789], [222,333,444] ])
2. constant常量函数
constant（）函数
constant函数提供在tensorflow中定义常量(不可更改的张量)的方法
tf.constant(value,dtype=None,shape=None,name=‘Const’,verify_shape=False)
作用：创建一个常量tensor
参数：
value: 一个dtype类型（如果指定了）的常量值（列表）。要注意的是，要是value是一个列表的话，那么列表的长度不能够超过形状参数指定的大小（如果指定了）。要是列表长度小于指定的，那么多余的由列表的最后一个元素来填充。
dtype: 返回tensor的类型
shape: 返回的tensor形状。
name: tensor的名字
verify_shape:布尔值，用于验证值的形状。
# 常量定义
a=tf.constant([[1,2],[3,4]])
b=tf.constant([[1,1],[0,1]])
print("a:",a)
print("b:",b)
print("a 的类型是:",type(a))
# 使用乘法操作
c=tf.matmul(a,b)
print("c:",c)
print("device:",c.device)
print("dtype:",c.dtype)
print("shape:",type(c.shape))
3. Variable变量类
tensorflow中的变量是通过Variable类来实现的。tensorflow中需要定义为变量的包括训练过程中的输入数据，输出数据，以及控制从输入到输出的学习机制，即网络参数。输入输出数据在tf中是用placeholder占位符来定义的，网络参数是用tf.Variable来定义的。
# 创建变量
w=tf.Variable(initial_value=[[1,2],[3,4]],dtype=tf.float32)
x=tf.Variable(initial_value=[[1,1],[1,1]],dtype=tf.float32)
# 相乘
y=tf.matmul(w,x)
# S形曲线的数学函数
z=tf.sigmoid(y)
# 初始化全局变量
init_op=tf.global_variables_initializer()
print(z)
属性：
device:这个变量的device
dtype:变量的元素类型
graph:存放变量的图
**initial_value: **这个变量的初始值
initializer:这个变量的初始化器
name:这个变脸的名字
op：此变量的操作。
函数
__init__(initial_value=None, trainable=True, collections=None, validate_shape=True, caching_device=None, name=None, variable_def=None, dtype=None, expected_shape=None, import_scope=None)
作用：
创建一个新的变量，初始值为initial_value（这个构造函数会创建两个操作（Op），一个变量OP和一个assignOp来设置变量为其初始化值）
参数:
initial_value: 一个Tensor类型或者是能够转化为Tensor的python对象类型。它是这个变量的初始值。这个初始值必须指定形状信息，不然后面的参数validate_shape需要设置为false。当然也能够传入一个无参数可调用并且返回制定初始值的对象，在这种情况下，dtype必须指定。
trainable: 如果为True（默认也为Ture），这个变量就会被添加到图的集合GraphKeys.TRAINABLE_VARIABLES.中去 ，这个collection被作为优化器类的默认列表。
collections:图的collection 键列表，新的变量被添加到这些collection中去。默认是[GraphKeys.GLOBAL_VARIABLES].
validate_shape: 如果是False的话，就允许变量能够被一个形状未知的值初始化，默认是True，表示必须知道形状。
caching_device: 可选，描述设备的字符串，表示哪个设备用来为读取缓存。默认是变量的device，
name: 可选，变量的名称
variable_def: VariableDef protocol buffer. If not None, recreates the Variable object with its contents. variable_def and the other arguments are mutually exclusive.
dtype: 如果被设置，初始化的值就会按照这里的类型来定。
expected_shape: TensorShape类型.要是设置了，那么初始的值会是这种形状
import_scope: Optional string. Name scope to add to the Variable. Only used when initializing from protocol buffer.
assign(value, use_locking=False)
作用：为变量指定一个新的值
参数：
value: Tensor,变量的新值
use_locking：如果True，在操作过程中使用锁定。
a = tf.Variable([10, 20])
b = tf.assign(a, [20, 30])
c = a + [10, 20]
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
print("a : ", sess.run(a))
# 因为b没有被run所以a还是[10 20]
print("c : ", sess.run(c))
# a = [20 30] 运行b，对a进行assign
print("b : ", sess.run(b))
# 因为b被run过了，所以a为[20 30]
print("a : ", sess.run(a))
# [20 30] + [10 20] = [30 50] 因为b被run过了，所以a为[20, 30], 那么c就是[30 50]
print("c : ", sess.run(c))
函数：assign_add（）
assign_add(delta, use_locking=False)
作用：为这个变量加上一个值
参数:
delta: Tensor,待加的值
use_locking：如果True，在操作过程中使用锁定。
x = tf.Variable(1)
y = tf.assign_add(x, 2)
sess = tf.Session()
sess.run(tf.global_variables_initializer())
print(sess.run(y))
函数：assign_sub（）
assign_sub(delta, use_locking=False)
作用：为这个变量减去一个值
参数:
delta: Tensor,待减的值
use_locking：如果True，在操作过程中使用锁定。
函数：read_value()
read_value()
作用：返回这个变量的值，在当前的上下文中读取。返回的是一个含有这个值的Tensor
函数：set_shape()
set_shape(shape)
作用：改变变量形状
参数：
shape：新的形状
4. placeholder 占位符
用于声明一个张量的数据格式，告诉系统这里会有一个这种格式的张量，但是还没有传入具体的值。
如：
X = tf.placeholder("float", shape=[None, 100])
上面声明了一个张量X，数据类型是float，100列，行数不确定。
5. Session
Tensorflow中的所有计算都构建在一张计算图中，这是一种对数学运算过程的可视化方法。
TensorFlow 底层是使用C++实现，这样可以保证计算效率，并使用 tf.Session类来连接客户端程序与C++运行时。上层的Python、Java等代码用来设计、定义模型，构建的Graph，最后通过tf.Session.run()方法传递给底层执行。
import tensorflow as tf
x = tf.placeholder("string")
with tf.Session() as sess:
output = sess.run(x, feed_dict={x : "run the map"})
print(output)