前言：

tensorflow中有很多基本概念要理解，最好的方法是去官網跟著教程一步一步看，這裡還有一些翻譯的版本，對照著看有助於理解：tensorflow1.0 文件翻譯

正文：

一，構建並執行計算圖的必要過程

1，graph（圖計算）：詳見tf.Graph類
使用tensorflow訓練神經網路包括兩部分：構建計算圖和執行計算圖。
首先來講構建圖，一個計算圖包含了一組操作（operation objects，也叫節點）和一些tensor objects（節點之間傳遞的資料單元）。系統會預設構建一個計算圖，這也是mnist入門案例上來就可以定義節點的原因。不過我們在寫程式碼的時候，應該將構建計算圖的程式碼寫在一個with塊中

myGraph = tf.Graph()
with myGraph.as_default():
  # Define operations and tensors in `myGraph `.(在下面定義op和tensor)
  c = tf.constant(30.0)

2，operations（圖節點）：詳見tf.Operation類
op是計算圖中的節點，它能接收tensor作為輸入，並能產生tensor作為輸出。op的建立方式有兩種，一種是呼叫了計算操作，比如mnist例子中的tf.matmul(),tf.nn.conv2d(),tf.nn.max_pool()函式等，這些函式名就是op。另一種方法是呼叫Graph.create_op()方法往圖裡加op。常用第一種方法。op在構建圖的階段不會執行，在執行圖階段才執行。

3，tensor（向量）：詳見tf.Tensor類
tensor就是op計算的輸入/輸出結果。同樣的，tensor在構建圖時並不持有值，而是在執行時持有數值。tensor作為op的輸入/輸出在graph中傳遞，從而使得tensorflow能執行代表著大規模計算的計算圖，也正是Tensorflow得名的原因（向量流動）。常量和變數都是tensor。舉例如下，a,b,c,d就是tensor，它們可以作為op的輸出值，也可以作為op的輸入值。

# Build a dataflow graph.
a = tf.constant([[1.0, 2.0], [3.0, 4.0]])
b = tf.constant([[1.0, 1.0], [0.0, 1.0]]
 
)
c = tf.matmul(c, d)
d = tf.Variable([1.0, 2.0])

4，session（會話）：詳見tf.Session類
前面3步我們已經構建完了一個計算圖，現在需要執行這個計算圖。session就是執行計算圖的類。 tensor的執行要通過sess.run（tensor）來執行。session物件封裝了op執行和tensor傳遞的環境。session物件開啟後會持有資源，所以用完後要記得關閉，通常寫到一個with塊裡面。綜合1234，我們寫一個例子。

myGraph = tf.Graph()
with myGraph.as_default():
    # Build a graph.
    a = tf.constant(5.0)
    b = tf.constant(6.0)
    c = a * b

# Using the context manager.
with tf.Session() as sess:
    print(sess.run(c))

二， Tensor相關的屬性和方法

1，tensor的屬性，常用的有下面這些：

dtype：tensor中元素的型別（tf.int32, tf.float32等）
graph：tensor所屬的計算圖（返回Graph類物件的地址）
name：tensor的字串名字，若定義tensor的時候取了名字，則輸出你取的名字。若你自己沒有取，系統會按規則幫你給tensor取名字，規則如下：若tensor是常量，則第一個tensor取名“Const”，第二個tensor取名“Const_1”,第三個tensor取名“Const_2”,以此類推。若tensor是變數，則第一個tensor取名“Variable”，第二個tensor取名“Variable_1”,第三個tensor取名“Variable_2”,以此類推。這個知識點在save/restore模型的時候會用到。
op：產生改tensor的op名。會列出該op的詳細資訊。
shape：tensor的形狀。

舉例說明（tensor的屬性可直接列印，不需要放進sess.run()裡面）：

# encoding=utf-8
import tensorflow as tf

graph = tf.Graph()
with graph.as_default():
    x= tf.constant([[1.,2.,3.,4.],[5.,6.,7.,8.]],dtype=tf.float32)
    x1= tf.constant([[1.,2.,3.,4.],[5.,6.,7.,8.]],dtype=tf.float32)
    x2= tf.constant([[1.,2.,3.,4.],[5.,6.,7.,8.]],dtype=tf.float32)
    y= tf.Variable([[0.,0.,-2.,1.],[-1,-2,-2,-3]])
    y1= tf.Variable([[0.,0.,-2.,1.],[-1,-2,-2,-3]])
    y2= tf.Variable([[0.,0.,-2.,1.],[-1,-2,-2,-3]])
    y3= y1+y2

# shape:tensor的形狀
# size:tensor元素個數
# rank:tensor的維度
with tf.Session(graph=graph) as sess:

    print(x.shape)
    print(x.dtype)
    print(x.graph)
    print(x.name)
    print(x1.name)
    print(x2.name)
    print(y.name)
    print(y1.name)
    print(y2.name)
    print(y3.shape)

2，tensor的方法

–get_shape()：得到tensor的shape，效果跟shape屬性一樣。

–eval（feed_dict=None, session=None）：執行tensor的方法，呼叫這個方法將執行該tensor所需輸入的所有op。eval()方法要在session中呼叫。tensor.eval()效果與sess.run(tensor)相同，官網原文是這樣說的：t.eval() is a shortcut for calling tf.get_default_session().run(t)。至少我沒看出這兩個的區別。