首先来说一下TensorFlow的几个关键词：
图（graph）、会话、张量（tensor）、变量（Variable）、feed、fetch。
说一下上面关键词的作用：
- 用图（graph）来表示计算任务
- 在被称之为会话（Session）的上下文（context）中执行图
- 使用tensor表示数据
- 通过变量（Variable）维护状态
- 用feed和fetch可以为任意操作赋值或者从中获取数据
张量（tensor）是什么？
我们可以把张量认作是基于向量和矩阵的推广，举几个实例来表示一下N阶标量都代表什么：
Tensorflow中用图来表示计算任务，图中的每个节点我们叫它OP，并且每一个OP都可以获得0个以上的tensor，然后执行计算后产生0个或多个tensor；而在计算图的时候为了能够进行计算，必须在会话（session）中启动图，session会将图上的OP分配到CPU、GPU等设备上（我们无需具体的定义使用CPU还是GPU，如果检测到GPU，TensorFlow会用检测到的第一个GPU来执行），同时提供执行OP的方法，执行完成后再将OP返回。
下面用具体的操作来讲解一下每一步的实际应用。
构建并启动图
先上一段代码看一下
import tensorflow as tf # 此处用来定义OP中的张量 matrix1 = tf.constant([[1, 2, 3]]) matrix2 = tf.constant([[4], [5], [6]]) # 矩阵相乘（执行OP的方法） Matrix = tf.matmul(matrix1, matrix2) # 启动默认图（计算图时一定要先启动默认图） sess = tf.Session() # 想要执行我们所定义的执行OP的方法，要调用sess中的run函数，返回的是一个numpy `ndarray` 对象 re = sess.run(Matrix) # 会话完成后要close以释放资源 sess.close() print(re)
运行结果
说明：
这是一段简单的使用TensorFlow计算常量矩阵相乘的代码，在TensorFlow中我们可以使用constant来创建常量OP，需要注意的是在执行OP的时候一定要先启动默认图：session = tf.Session() ，然后使用session.run()执行即可，使用session的run函数的时候就像是我们在使用一种编译器的时候进行编译执行一样。
另一种执行方法：
with tf.Session() as sess: re = sess.run(Matrix) print(re)
这样做的好处是我们无需再使用close释放资源，在with执行完后会自动进行close操作。
GPU
如果电脑上右多个可用的GPU我们可以用如下的语句来选择GPU
with tf.device("/gpu:1"): ......
可以使用：
"/cpu:0" 表示使用第一个cpu
"/gpu:0" 表示使用第一个gpu
以此类推
变量（variable）
变量用来维护图执行过程中的状态信息，例如在神经网络总用于保存和更新神经网络上的参数。
举一个常见的例子，用变量来实现一个计数器，通过assign函数不断的给变量count赋计数后的值即可。
import tensorflow as tf count = tf.Variable(0) add = tf.constant(1) add_one = tf.add(count, add) # assign函数用于复制操作 update = tf.assign(count, add_one) # init用于在session中让变量初始化 init = tf.global_variables_initializer() with tf.Session() as sess: sess.run(init) for i in range(5): result = sess.run(update) print(result)
运行结果如下：
Feed和Fetch
Feed主要用于临时替换一个操作的输出结果，我们可以提供feed数据作为run()函数调用的参数，feed只在方法内有效，结束后feed就会消失，常见的一种形式是我们用tf.placeholder()来创建占位符，方便于feed在run()内的赋值。举例如下：
import tensorflow as tf matrix1 = tf.placeholder(dtype=tf.float32) matrix2 = tf.placeholder(dtype=tf.float32) Matrix = tf.multiply(matrix1,matrix2) with tf.Session() as sess: re = sess.run([Matrix],feed_dict={matrix1: [1.2], matrix2: [2.2]}) print(re)
结果:
要注意一下multiply实现的是元素级别的相乘，两个相乘的数一定要有相同的数据类型，而matmul是矩阵相乘。
在之前的run()操作中，我们每次只返回了一个OP操作的值，Fetch一个可以返回多个OP值得属性。
import tensorflow as tf num1 = tf.constant(3) num2 = tf.constant(4) num3 = tf.constant(5) count1 = tf.add(num1, num2) count2 = tf.add(count1, num3) with tf.Session() as sess: re = sess.run([count1, count2]) print(re)
结果如下：
以上就是对TensorFlow的一些基本操作和性质的解释和示例，后续还会更深一步的学习tf的其他用法。
