在tensorflow1中，程序一般可以分为两个阶段，第一个阶段定义计算图中的所有阶段，并没有真正进行计算；第二个阶段赋予数据执行计算。
例如：
1、定义计算：
y=3a+2
2、给a赋值a=5，执行计算，得到y=17
系统一般会维护一个默认的计算图，若想查看a所属的计算图，可以用a.graph
TensorFlow支持通过tf.Graph函数来生成新的计算图，不同计算图上的张量和运算都不会共享。
#指定计算运行的设备
tf.device("/gpu:0"):
TensorFlow中的会话（Session）
会话拥有并管理TensorFlow程序运行时的所有资源。
#通过python中的上下文管理器，可以解决异常退出时资源释放的问题
with tf.Session() as sess:
......
变量的作用就是保存和更新神经网络中的参数，如下声明一个23矩阵的变量
weights = tf.Variable(tf.random_normal([2.3]), stddev = 2)) #stddev=2:均值为0，标准差为2
所有的变量都会被自动的加到GraphKeys.VARIABLES这个集合中，可以通过tf.global_variables()函数拿到。
一般来说，一个神经网络的训练会经过几百万轮甚至几亿轮的迭代，这样计算图就会非常大，因此TensorFlow提供了placeholder机制用于提供输入数据。以上的写法就改为：
a = tf.placeholder(tf.float32, shape=(1,2),name="input")
sess = tf.Session()
init_op = tf.global_variables_initializer()
sess.run(init_op)
sess.run(y,feed_dict = {x:3})
