在tensorflow中，把数据称为张量（tensor）
专门运算的操作叫做节点，op,只要是用tensorflow的api定义的函数都是op
整个程序的结构叫 图，graph
运行整个程序的图叫 会话（with tf.Session…），会话能运行图的结构，分配资源计算，掌握资源（变量，队列，线程）
#实现一个加法
a=tf.constant(5.0)
b=tf.constant(6.0)
print(a,b) #输出的不是数而是类型
print(tf.add(a,b))
with tf.Session() as sess: #固定写法
print(sess.run(…))
定义默认的一张图，就是给程序分配一段内存
获取当前程序的图：graph=tf.get_default_graph()
张量都有图属性，如sess.graph和op.graph
图是可以另外创建的：tf.Graph(),两个图之间互不干扰
eg: #自定义一个图，并将其设定为默认图
g=tf.Graph()
with g.as_default():
a=tf.constant(1.0)
assert a.graph is g
tensorflow分为前端：定义程序的图的结构；后端：运算图的结构
会话只能运行默认的那一个图，当你想要运行特定的一张图的时候：with tf.Session(graph=g) as sess:
牢记，sess.run(…)是启动图的关键
会话结束后需要进行资源释放即释放内存：sess.close(), 但也可以用上下文管理器： with tf.Session() as sess: sess.run(…),这样最后程序会自动释放内存
with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as sess: #在括号内加入这个参数会显示程序是在哪个元件上运行
run的方法： run(fetches,feed_dic=None,graph=None) #其中fetches可以是一个列表 ，包含多个要输出的东西
tensorflow中有方法的重载，如：var=2.0,a=tf.constant(1.0) sum=a+var 这里a是张量，是op, var是float，sum的输出是op,默认转化
我们训练模型时，当需要实时提供数据去进行训练，这时用到run的另一个方法：feed_dic, 而feed_dic一般结合placeholder用，这是一个占位符，feed_dic是个字典
eg:plt=tf.placeholder(tf.float32 , [2,3] ) 这是一个op，参数为dtype,shape,name(这里没用到）
with tf.Session(…) as sess:
print(sess.run(plt , feed_dic={plt:[[1,2,3] , [4,5,6]]})) 冒号后面的有shape决定的，当然，shape也可以不固定，[None , 3],写出具体的数字的要严格要求，none部分可以随意，因为不是固定的
