导入模块：

import tensorflow as tf

TensorFlow计算模型——计算图

TensorFlow会有一个默认的图，但是我们也能去定义一个图，每个图的张量和运算都是独立，不共享的。定义方式：

g = tf.Graph()
with g.as_default():
    #一些张量的操作

会话中，运行该图：

with tf.Session(graph=g):
    #一些run操作

TensorFlow数据模型——张量

张量可以理解为多维数组。零阶张量表示为标量，一阶张量为向量，n阶张量为n维数组。

a = tf.constant([1.0, 2.0],name="a")#声明了一个a的常数张量

不过张量并没有实际保存数字，而是保存的得到这些数字的计算过程。

张量在参与运算时，要注意类型一致，不能犯下面错误：

a = tf.constant([1, 2], name="a")
b = tf.constant([1.0, 2.0], name="b")
result = a + b

当然我们在声明的时候加入类型声明：

a = tf.constant([1, 2], name="a", dtype=tf.float32)

就不会出错了。

TensorFlow支持14种不同的数据类型，主要包括整数，浮点数，复数：

1. tf.int8
2. tf.int16
3. tf.int32
4. tf.int64
5. tf.uint8
6. tf.float32
7. tf.float64
8. tf.bool
9. tf.complex64
10. tf.complex128

TensorFlow运行模型——会话

张量定义了运算，然后通过会话来执行运算。

创建和关闭会话：

sess = tf.Session()
sess.run(...)
sess.close()

由于一些意外，没有close会造成资源泄露，所以我们用更安全的方式，上下文管理器来使用会话：

with tf.Session() as sess:
    sess.run(...)

会话和图一样可以有多个，但是不会默认产生一个，至少要自己声明一个默认的：

sess = tf.Session()
with sess.as_default():
    print(result.eval())#run了result的运算

下面代码实现同样功能：

sess = tf.Session()
print(sess.run(result))
print(result.eval(session=sess))

小结

张量为TensorFlow的数据模型，存储着得到该数据的运算方式。

在图中，对张量进行一系列运算的组织。

通过session来执行这些运算。