1.1 自动求导函数：
GradientTape(persistent=False, watch_accessed_variables=True)
persistent： 布尔值，用来指定新创建的gradient tape是否是可持续性的。默认是False，意味着只能够调用一次GradientTape()函数。
watch_accessed_variables： 布尔值，表明GradientTape()函数是否会自动追踪任何能被训练的变量。默认是True。要是为False的话，意味着你需要手动去指定你想追踪的那些变量。
1.2 监视非Variable变量
tape.watch(tensor)
tape.watch()用于跟踪指定的tensor变量。由于GradientTape()默认只对tf.Variable类型的变量进行监控。
2 tensor=tf.constant([1, 2], dtype=tf.float32)
为查看结果必须创建一个会话，并用取值函数eval()来查看创建的tensor的值：
sess=tf.Session()
with sess.as_default():
print('结果是：', tensor.eval())
1
2
3
结果是：1
1
而如果value是一个列表：
tensor=tf.constant([1, 2])
sess=tf.Session()
with sess.as_default():
print('结果是：', tensor.eval())
1
2
3
4
结果是：[1 2]
1
后面四个参数可写可不写，第二个参数表示数据类型，一般可以是tf.float32, tf.float64等：
tensor=tf.constant([1, 2], dtype=tf.float32)
sess=tf.Session()
with sess.as_default():
print('结果是：', tensor.eval())
1
2
3
4
结果是： [1. 2.]
1
注意到数据类型相比之前发生了改变，因为这次我们指定了数据类型为float32，所以不是1 2，而是1. 2.。
第三个参数表示张量的“形状”，即维数以及每一维的大小。如果指定了第三个参数，当第一个参数value是数字时，张量的所有元素都会用该数字填充：
tensor=tf.constant(-1, shape=[2, 3])
sess=tf.Session()
with sess.as_default():
print('结果是：', tensor.eval())
1
2
3
4
结果是： [[-1 -1 -1]
[-1 -1 -1]]
3np.meshgrid(x,y)
比如x有4个元素，y有3个元素，故生成的矩阵为3行4列的矩阵，形状固定，矩阵z,s的元素对应x，y本身元素的复制，但x作为z的行向量，y作为s的列向量。