TensorFlow用张量这种数据结构来表示所有的数据。用一阶张量来表示向量，如：v = [1.2, 2.3, 3.5] ，如二阶张量表示矩阵，如：m = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]，可以看成是方括号嵌套的层数。
- 编辑器
编写tensorflow代码，实际上就是编写py文件，最好找一个好用的编辑器，如果你用vim或gedit比较顺手，那也可以的啦。我们既然已经安装了anaconda，那么它里面自带一个还算不错的编辑器，名叫spyder，用起来和matlab差不多，还可以在右上角查看变量的值。因此我一直使用这个编辑器。它的启动方式也很简单，直接在终端输入spyder就行了。
Note:
用Anaconda自带的IDE spyder编辑python时，发现无法导入tensorflow模块，我猜测应该时IDE的搜索路径没有包含tensorflow的路径吧（未仔细研究），然后我在Anadconda的安装路径中找到了/envs/tensorflow/lib/python2.7，并将该路径中的site-packages文件夹中的所有文件拷贝到，Anaconda安装路径下的lib/python2.7/site-packages文件夹中，之后再次打开IDE，发现已经可以import了！！！！
cd anaconda
cp -rf envs/tensorflow/lib/python2.7/site-packages/* lib/python2.7/site-packages/
- 常量
我们一般引入tensorflow都用语句
import tensorflow as tf
因此，以后文章中我就直接用tf来表示tensorflow了。
在tf中，常量的定义用语句：
a=tf.constant(10)
这就定义了一个值为10的常量a
- 变量
变量用Variable来定义, 并且必须初始化，如：
x=tf.Variable(tf.ones([3,3]))
y=tf.Variable(tf.zeros([3,3]))
分别定义了一个3x3的全1矩阵x，和一个3x3的全0矩阵y，0和1的值就是初始化。
变量定义完后，还必须显式的执行一下初始化操作，即需要在后面加上一句：
init=tf.initialize_all_variables()
这句可不要忘了，否则会出错。
- 占位符
变量在定义时要初始化，但是如果有些变量刚开始我们并不知道它们的值，无法初始化，那怎么办呢？
那就用占位符来占个位置，如：
x = tf.placeholder(tf.float32, [None, 784])
指定这个变量的类型和shape，以后再用feed的方式来输入值。
- 图(graph)
如果把下面的python语句改在tf语句，该怎么写呢：
x=3
y=2
z=x+y
print(z)
定义两个变量，并将两个数相加，输出结果。如果在tf中直接像上面这样写，那就错了。x,y,z分别是三个tensor对象，对象间的运算称之为操作(op), tf不会去一条条地执行各个操作，而是把所有的操作都放入到一个图(graph）中，图中的每一个结点就是一个操作。然后行将整个graph 的计算过程交给一个 TensorFlow 的Session, 此 Session可以运行整个计算过程，比起操作(operations)一条一条的执行效率高的多。
执行代码如下：
import tensorflow as tf
x = tf.Variable(3)
y = tf.Variable(5)
z=x+y
init = tf.initialize_all_variables()
with tf.Session() as sess:
sess.run(init)
print(sess.run(z))
其中sess.run()即是执行，注意要先执行变量初始化操作，再执行运算操作。
Session需要先创建，使用完后还需要释放。因此我们使用with...as..语句，让系统自动释放。
例子1：hello world
import tensorflow as tf
word=tf.constant('hello,world!')
with tf.Session() as sess:
print(sess.run(word))
例子2：加法和乘法
import tensorflow as tf
a = tf.placeholder(tf.int16)
b = tf.placeholder(tf.int16)
add = tf.add(a, b)
mul = tf.mul(a, b)
with tf.Session() as sess:
print('a+b=',sess.run(add, feed_dict={a: 2, b: 3}))
print('a*b=',sess.run(mul, feed_dict={a: 2, b: 3}))
此处使用feed_dict以字典的方式对多个变量输入值。
例子3： 矩阵乘法
import tensorflow as tf
a=tf.Variable(tf.ones([3,2]))
b=tf.Variable(tf.ones([2,3]))
product=tf.matmul(5*a,4*b)
init=tf.initialize_all_variables()
with tf.Session() as sess:
sess.run(init)
print(sess.run(product))
其中
product=tf.matmul(5*a,4*b)
也可以改成
product=tf.matmul(tf.mul(5.0,a),tf.mul(4.0,b))
定义变量时，没有指定数据类型，则默认为float32，因此是5.0而不是5
再看一个实例：
#coding:utf-8
import tensorflow as tf
# 创建一个变量state，初始值是0，名称是counter
state = tf.Variable(0, name='counter')
# 定义常量 one
one = tf.constant(1)
# 定义加法步骤 (注: 此步并没有直接计算，再调用时才计算)
new_value = tf.add(state, one)
# 将 State 更新成 new_value
update = tf.assign(state, new_value)
init = tf.initialize_all_variables()
with tf.Session() as sess:
sess.run(init)
print sess.run(state)
print "第一次打印"
for _ in range(3):
sess.run(update)
print(sess.run(state))
print(sess.run(one))
输出结果是：
0
第一次打印
1
1
2
1
3
1
