需要注意的是我們可以使用兩種方法來建立並使用session

方法一：

sess = tf.Session()
result = sess.run(...,feed_dict = {...})
sess.close()

方法二：

with tf.Session as sess:
    result = sess.run(...,feed_dict = {...})

1.1 - 線性函式
  讓我們通過計算以下等式來開始程式設計：Y=WX+bY=WX+bY=WX+b ,W和X是隨機矩陣，b是隨機向量。
  我們計算WX+b，其中W，X和b是從隨機正態分佈中抽取的。 W的維度是（4,3），X是（3,1），b是（4,1）。 我們開始定義一個shape=（3,1）的常量X：

X = tf.constant(np.random.randn(3,1), name = "X")

def linear_function():
    """
    實現一個線性功能：
        初始化W，型別為tensor的隨機變數，維度為(4,3)
        初始化X，型別為tensor的隨機變數，維度為(3,1)
        初始化b，型別為tensor的隨機變數，維度為(4,1)
    返回：
        result - 運行了session後的結果，執行的是Y = WX + b

    """

    np.random.seed(1)  # 指定隨機種子
 


    X = np.random.randn(3, 1)
    W = np.random.randn(4, 3)
    b = np.random.randn(4, 1)

    Y = tf.add(tf.matmul(W, X), b)  # tf.matmul是矩陣乘法
    # Y = tf.matmul(W,X) + b #也可以以寫成這樣子

   

    """
    # 建立一個session並執行它(第一種方法建立會話)
    sess = tf.Session()
    result = sess.run(Y)
    # session使用完畢，關閉它
    sess.close()

    return result

print("result = " + str(linear_function()))
    
 
"""

    #使用第二種方法建立會話
    with tf.Session() as sess:
        result = sess.run(Y)
        sess.close()
    return result
print("result = " + str(linear_function()))

以上的session都是在函式內部建立的

參考連結：https://blog.csdn.net/u013733326/article/details/79971488#t10