一：tensorflow中的计算定义和执行

首先，对于tensorflow来说，最重要的概念就是图（Graph）和会话（Session），tensorflow的计算思想是：以图的形式来表示模型，表示和计算分隔开。

tensorflow基础-数据类型

这就是一个Data Flow Graph，最核心的就是定义和计算不等于执行，一个模型跑起来只需要两步：先描述整幅图，然后在session中执行运算。tensorflow==tensor + flow，tensor是张量，flow流动，可以理解为张量在图中通过上图所示里面的a，b，c，d，e这些运算（这里把他们叫做op）进行流动（传递和变换）。下面通过一个简单的实例看一下：

v1 = tf.constant([1,2,3])
v2 = tf.constant([4,5,6])
v3 = tf.add(v1, v2)
print(v1)
print(v2)
print(v3)
with tf.Session() as sess:
    print(sess.run(v3))

在上面，定义了两个常量类型的张量（后面会说）v1、v2，v3把v1、v2相加，然后通缩Seeion执行运算，看一下输出结果：

Tensor("Const:0", shape=(3,), dtype=int32)
Tensor("Const_1:0", shape=(3,), dtype=int32)
Tensor("Add:0", shape=(3,), dtype=int32)
[5 7 9]

可以看到，此时的v3并不是我们想要的数据，而是一个张量，括号里面显示了张量的类型，形状，以及里面的数据类型。这就是上面说的tensorflow中计算定义和执行是分开的，要想得到结果就必须用session来执行运算，首先初始化session，然后调用run()方法来执行定义的v3这个运算，这样我们就可以输出结果了，经过run之后再次输出，此时的结果就是我们想要的数据[5 7 9]了。session在执行的时候会找到你让他执行的运算a的依赖，把依赖的节点都进行计算，不需要的节点则不用计算。

二：tensorflow中的张量类型

张量：可理解为一个 n 维矩阵，所有类型的数据，包括标量、矢量和矩阵等都是特殊类型的张量。

TensorFlow 支持以下三种类型的张量：

常量constant：常量是其值不能改变的张量。
变量variable：当一个量在会话中的值需要更新时，使用变量来表示。例如，在神经网络中，权重需要在训练期间更新，可以通过将权重声明为变量来实现。变量在使用前需要被显示初始化。另外需要注意的是，常量存储在计算图的定义中，每次加载图时都会加载相关变量。换句话说，它们是占用内存的。另一方面，变量又是分开存储的。它们可以存储在参数服务器上。
占位符placeholder：用于将值输入 TensorFlow 图中。它们可以和 feed_dict 一起使用来输入数据。在训练神经网络时，它们通常用于提供新的训练样本。在会话中运行计算图时，可以为占位符赋值。这样在构建一个计算图时不需要真正地输入数据。需要注意的是，占位符不包含任何数据，因此不需要初始化它们。

2.1：tensorflow常量

可以这样声明一个常量：

a = tf.constant(2, name="a")
b = tf.constant(3, name="b")
x = tf.add(a, b, name="add")

这里的name是为了在tensorboard中方便查看，至于tensorboard就是整个模型的图表示。

一个形如 [1，3] 的常量向量可以用如下代码声明：

t_2 = tf.constant([4,3,2])

要创建一个所有元素为零的张量，可以使用 tf.zeros() 函数。这个语句可以创建一个形如 [M，N] 的零元素矩阵，数据类型（dtype）可以是 int32、float32 等：

tf.zeros([M,N],tf.dtype)

例如：

zero_t = tf.zeros([2,3],tf.int32)
# Results in an 2x3 array of zeros:[[0 0 0],[0 0 0]]

还可以创建与现有 Numpy 数组或张量常量具有相同形状的张量常量，如下所示：

tensorflow基础-数据类型

创建一个所有元素都设为 1 的张量。下面的语句即创建一个形如 [M，N]、元素均为 1 的矩阵：

tf.ones([M,N],tf,dtype)

例如：

ones_t = tf.ones([2,3],tf.int32)
# Results in an 2x3 array of ones:[[1 1 1],[1 1 1]]

更进一步，还有以下语句：

在一定范围内生成一个从初值到终值等差排布的序列：
tf.linspace(start,stop,num)
相应的值为 (stop-start)/(num-1)。例如：
```
range_t = tf.linspace(2.0,5.0,5)
#We get:[2. 2.75 3.5 4.25 5.]
```
从开始（默认值=0）生成一个数字序列，增量为 delta（默认值=1），直到终值（但不包括终值）：
tf.range(start,limit,delta)
下面给出实例：
```
range_t = tf.range(10)
#Result:[0 1 2 3 4 5 6 7 8 9]
```

TensorFlow 允许创建具有不同分布的随机张量：

使用以下语句创建一个具有一定均值（默认值=0.0）和标准差（默认值=1.0）、形状为 [M，N] 的正态分布随机数组：
创建一个具有一定均值（默认值=0.0）和标准差（默认值=1.0）、形状为 [M，N] 的截尾正态分布随机数组：
要在种子的 [minval（default=0），maxval] 范围内创建形状为 [M，N] 的给定伽马分布随机数组，请执行如下语句：
要将给定的张量随机裁剪为指定的大小，使用以下语句：
tf.random_crop(t_random,[2,5],seed=12)
这里，t_random 是一个已经定义好的张量。这将导致随机从张量 t_random 中裁剪出一个大小为 [2，5] 的张量。

很多时候需要以随机的顺序来呈现训练样本，可以使用 tf.random_shuffle() 来沿着它的第一维随机排列张量。如果 t_random 是想要重新排序的张量，使用下面的代码：
tf.random_shuffle(t_random)
随机生成的张量受初始种子值的影响。要在多次运行或会话中获得相同的随机数，应该将种子设置为一个常数值。当使用大量的随机张量时，可以使用 tf.set_random_seed() 来为所有随机产生的张量设置种子。以下命令将所有会话的随机张量的种子设置为 54：
tf.set_random_seed(54)
TIP：种子只能有整数值。

2.2：tensorflow变量

它们通过使用变量类来创建。变量的定义还包括应该初始化的常量/随机值。下面的代码中创建了两个不同的张量变量 t_a 和 t_b。两者将被初始化为形状为 [50，50] 的随机均匀分布，最小值=0，最大值=10：
tensorflow基础-数据类型

注意：变量通常在神经网络中表示权重和偏置。

下面的代码中定义了两个变量的权重和偏置。权重变量使用正态分布随机初始化，均值为 0，标准差为 2，权重大小为 100×100。偏置由 100 个元素组成，每个元素初始化为 0。在这里也使用了可选参数名以给计算图中定义的变量命名：

tensorflow基础-数据类型

在前面的例子中，都是利用一些常量来初始化变量，也可以指定一个变量来初始化另一个变量。下面的语句将利用前面定义的权重来初始化 weight2：

变量的定义将指定变量如何被初始化，但是必须显式初始化所有的声明变量。在计算图的定义中通过声明初始化操作对象来实现：

tensorflow基础-数据类型

每个变量也可以在运行图中单独使用 tf.Variable.initializer 来初始化：

保存变量：使用 Saver 类来保存变量，定义一个 Saver 操作对象：

saver = tf.train.Saver()

输出变量内容会用到Eval()函数：

# W 是一个700 x 100 随机变量
W = tf.Variable(tf.truncated_normal([700, 10])) 
with tf.Session() as sess:
　　sess.run(W.initializer) 
　　print(w)
　　print(w.eval())>> Tensor("Variable/read:0", shape=(700, 10),
  dtype=float32)
  >> [[-0.76781619 -0.67020458......

2.3：tensorflow占位符

可以使用下面的方法定义一个占位符：

tf.placeholder(dtype, shape = None, name = None)

通过一个例子看一下：

# create a placeholder of type float 32-bit, shape is a vector of 3 elements 
a = tf.placeholder(tf.float32, shape=[3])
# create a constant of type float 32-bit, shape is a vector of 3 elements 
b = tf.constant([5, 5, 5], tf.float32)
# use the placeholder as you would a constant or a variable 
c=a+b #Shortfortf.add(a,b)
with tf.Session() as sess:
print sess.run(c)

上面这段程序会报错：# Error because a doesn’t have any value 对于a我们没有给任何数据，我们将代码修改为：

# create a placeholder of type float 32-bit, shape is a vector of 3 elements 
a = tf.placeholder(tf.float32, shape=[3])
# create a constant of type float 32-bit, shape is a vector of 3 elements 
b = tf.constant([5, 5, 5], tf.float32)
# use the placeholder as you would a constant or a variable 
c=a+b #Shortfortf.add(a,b)
with tf.Session() as sess:
# feed [1, 2, 3] to placeholder a via the dict {a: [1, 2, 3]}
print sess.run(c, {a: [1, 2, 3]})
# the tensor a is the key, not the string ‘a’
# >> [6, 7, 8]

我们通过字典的形式将数据传给placeholder，这是tensorflow中最普遍的方式

下面我们再看一个例子：先创建两个op

a = tf.add(2, 5)
b = tf.mul(a, 3)

然后创建一个replace_dict来修改a的值：

with tf.Session() as sess:
# define a dictionary that says to replace the value of ‘a‘ with 15
replace_dict = {a: 15}
# Run the session, passing in ‘replace_dict‘ as the value to ‘feed_dict‘
sess.run(b, feed_dict=replace_dict) 
# returns 45

feed_dict是tensorflow中用于喂数据的方法，都以字典形式存入，就像上面这一段代码，feed_dict={a:15}，那么就把b这个op中的a的值赋值为15。

文章参考：https://www.jianshu.com/p/f4cca870b893、http://c.biancheng.net/view/1885.html

***************不积跬步无以至千里***************