tensorflow程式通常被組織成一個圖的構建和圖的執行階段，例如我們搭建一個神經網路，組織各個層及之間關係的過程稱為圖的構建，然後通過不斷反覆的執行圖中的訓練op來逐漸優化引數。在圖的構建階段，就是各種op的拼接組合，op之間流通的tensor是由最初的一個op產生的，它被稱為源op，沒有輸入tensor，只有輸出tensor，比如說常量(Constant)就是一個源op：

import tensorflow as tf
import os
os.environ['CUDA_VISIBLE_DEVICES'] = '0'
# 建立一個常量op，產生一個1行2列的矩陣
matrix_1 = tf.constant([[3.,4.]])
# 建立一個常量op，產生一個2行1列的矩陣
matrix_2 = tf.constant([[5.],[6.]])
# 建立一個tf矩陣乘法op，
# matrix_1和matrix_2為輸入tensor，product為輸出tensor
product = tf.matmul(matrix_1,matrix_2)
# 執行這個圖
with tf.Session() as sess:
    print sess.run(product)
 

我們這樣就建立了一個最簡單的圖，圖的輸出埠為product，這個圖包含了三個op，兩個源constant()op,一個matmul()op，如果要想真正的執行得到乘法之後的結果，需要執行會話，然後獲取product的值。Session物件在使用完之後需要手動關閉close()，也可以使用‘with’讓程式自動的執行完之後關閉。

互動式的會話：
在每次啟動會話的時候都要指定會話模式，然後呼叫session.run()來執行，為了便於互動式的執行，可以使用InteractiveSession來代替Session類。使用Tensor.eval()和Operation.run()來代替Session.run().
和正常的Session唯一的區別是InteractiveSession將自身的tf.Session()作為預設的session來呼叫，例如：

import tensorflow as tf
sess = tf.InteractiveSession()  # 聲明後面所有需要用到的session都為預設的session
a = tf.Variable(2.0)
b = tf.constant(3.0)
c = tf.mul(a,b)
a.initializer.run()             # 自動呼叫自身的session
print c.eval()                  # 自動呼叫自身的session
sess.close()
 

前面一直在提到一個詞叫tensor，但是究竟tensor是什麼？tensor是一個數據結構，代表所有的資料，計算圖中，所有操作之間傳遞的資料都是tensor，可以把tensorflow中的tensor看成是一個多維的陣列或者列表，描述tensor形態的方法包括：
tf.rank(),返回的是tensor的秩，即維數
tf.shape()返回的是tensor的形狀，每一維的維度
tf.size()返回的是tensor的元素的個數
除了維度，tensor還有一個數據型別的屬性，可以為一個tensor指定下列型別中的任意一個：
tf.float32: 32位浮點數.
tf.float64: 64位浮點數
tf.int64:   64位有符號整型
tf.int32:   32位有符號整型
tf.int16:   16位有符號整型
tf.int8:    8位有符號整型
tf.uint8:   8位無符號整型
tf.string:  可變長度的字元陣列，即字串
tf.bool:    布林型別

1.Variable-變數
變數用來維護圖執行過程中的狀態資訊

import tensorflow as tf
state = tf.Variable(0)
one = tf.constant(1)
#計算當前需要更新的值
new_value = tf.add(state,one)
#建立一個op完成更新操作，屬性與動作分離開來
update = tf.assign(state,new_value)

init_op = tf.initialize_all_variables()
with tf.Session() as sess:
    sess.run(init_op)
	print sess.run(state)
	for _ in range(10):
	    sess.run(update)
		print sess.run(state)
 

2. Fetch
為了取回操作的輸出內容，可以使用Session物件的run()呼叫執行圖時，傳入一些tensor這些tensor會幫助你取回結果，可以取回一個或者多個tensor

import tensorflow as tf
import os
os.environ["CUDA_VISIBLE_DEVICES"] = "0"
config = tf.ConfigProto()
config.gpu_options.per_process_gpu_memory_fraction = 0.1
config.gpu_options.allow_growth = True
num_1 = tf.constant(3)
num_2 = tf.constant(4)
add = tf.add(num_1,num_2)
mul = tf.mul(num_1,num_2)
with tf.Session(config = config) as sess:
    result = sess.run([add,mul])   #執行獲取這個列表的元素的計算值，並且將列表返回
    print result

3. Feed
計算圖中的tensor之前接觸的都是以常量或者變數形式存在的，Tensorflow還提供了feed機制，即，之前只是建立一個佔位符，不做初始化，在執行的時候對其進行賦值，比如在一個神經網路中我們的輸入資料通常都是用這種形式送到網路中去。feed只在呼叫它的方法中是有效的，方法結束feed就會消失。

import tensorflow as tf
import os
os.environ["CUDA_VISIBLE_DEVICES"] = "0"
config = tf.ConfigProto()
config.gpu_options.per_process_gpu_memory_fraction = 0.1
config.gpu_options.allow_growth = True
num_1 = tf.placeholder(tf.float32)
num_2 = tf.placeholder(tf.float32)
mul = tf.mul(num_1,num_2)
with tf.Session(config = config) as sess:
    print sess.run(mul,feed_dict = {num_1:4.5,num_2:2})