从TensorFlow这个名字中，我们可以发现，tensor（张量），flow（流），在TensorFlow中两个最重要的概念，一个TensorFlow程序主要是由计算图、张量以及模型回话三个部分组成。
一、计算图
一个使用TensorFlow编写的程序主要分为两个部分，一个是构建计算图部分，一个是执行计算图。下面，我来构建一个非常简单的计算图。
import tensorflow as tf
if __name__ == "__main__":
a = tf.constant([1.0,2.0],name="a")
b = tf.constant([2.0,3.0],name="b")
result = a + b
在上面的代码中，TensorFlow会自动将定义的计算转化成计算图上的节点，系统还会自动维护一个默认的计算图。我们可以通过下面的代码来获取当前默认的计算图
#通过a.graph来获取当前节点所属的计算图
print(a.graph)
# <tensorflow.python.framework.ops.Graph object at 0x000001E15BDEC908>
#判断当前的张量是不是属于默认的计算图
print(a.graph is tf.get_default_graph())
# True
TensorFlow提供了tf.Graph()方法来产生一个新的计算图，在不同的计算图中张量不会共享。
g1 = tf.Graph()
#将计算图g1设置为默认计算图
with g1.as_default():
# 在计算图个g1中定义变量c，并将变量c初始化为0
c = tf.get_variable("c",initializer=tf.zeros_initializer,shape=(1))
#定义第二个计算图
g2 = tf.Graph()
#将计算图g2设置为默认计算图
with g2.as_default():
# 在计算图g2中定义变量c，并将变量c初始为1
c = tf.get_variable("c",initializer=tf.ones_initializer,shape=(1))
#在计算图g1中读取变量c
with tf.Session(graph=g1) as sess:
# 初始化变量
tf.initialize_all_variables().run()
with tf.variable_scope("",reuse=True):
# 在计算图g1中，定义变量c为0
print(sess.run(tf.get_variable("c")))
#[ 0.]
#在计算图g2中读取变量c
with tf.Session(graph=g2) as sess:
#初始化变量
tf.initialize_all_variables().run()
with tf.variable_scope("",reuse=True):
# 在计算图g2中定义变量c为1
print(sess.run(tf.get_variable("c")))
#[ 1.]分别在计算图g1和g2中都定义张量c，在g1中初始化为0，在g2中初始化为1，从上面的代码可以看出，当我们运行不同的计算图的时候张量c的值是不一样的。所以，在TensorFlow中可以通过计算图来隔离张量的运算，除此之外，TensorFlow还为计算图提供了管理张量的机制，我们可以设置运行是在GPU上进行还是CPU，通过设置使用GPU可以加速运行，需要电脑上有gpu
g = tf.Graph()
#指定计算图g在gpu 0(电脑上有多个gpu，需要指定)上运行
with g.device("/gpu:0"):
result = a + b
二、张量
在TensorFlow中，可以将张量理解为数组。如果是0阶张量，那么将代表这个张量是一个标量，也就是一个数字，如果是一阶张量可以理解为向量或者是一维数组，n阶张量可以理解为n维的数组。但，TensorFlow张量的实现并没有直接采用数组的形式，张量它只是对运算结果的引用，从下面的例子中可以发现，TensorFlow的张量和numpy的数组是不一样的，TensorFlow的计算结果不是一个数组而是一个张量的结构形式，在这个张量中，它包含了三个重要的属性，名字、维度、类型。
import tensorflow as tf
import numpy as np
if __name__ == "__main__":
a = tf.constant([1.0,2.0],name="a")
b = tf.constant([2.0,3.0],name="b")
result = tf.add(a,b,name="add")
print(result)
# Tensor("add:0", shape=(2,), dtype=float32)
np_a = np.array([1.0,2.0])
np_b = np.array([2.0,3.0])
np_result = np_a + np_b
print(np_result)
# [ 3. 5.]张量的名字，是张量的唯一标识符，通过名字可以发现张量是如何计算出来的。计算图中的每一个节点都代表了一个计算，而计算的结果就保存在张量之中，张量和计算图上的节点所代表的计算结果是对应的。“add:0”代表的是计算节点"add"的第一个输出结果（编号都是从0开始）。
张量的维度，说明了张量的维度信息，如shape=(2,)代表张量是一个二维数组。
张量的类型，说明了张量的数据类型，每一个张量都会有一个对应的数据类型。在TensorFlow的计算中，先会对参与运算的所有张量进行类型检测，如果发现张量的类型不匹配的时候就会报错。
a = tf.constant([1,2],name="a")
b = tf.constant([2.0,3.0],name="b")
result = tf.add(a,b,name="add")
print(result)运行上面的代码的时候，会报类型不匹配的错误：
TypeError: Input 'y' of 'Add' Op has type float32 that does not match type int32 of argument 'x'.从错误提示中可以发现，float32与int32类型不匹配，在定义张量a和b的时候，我们并没有指定类型，所以是按默认类型指定的，[1,2]默认指定的是int32，而[2.0,3.0]指定的是float32。解决这种错误有两个方法，目的就是保证类型一致就可以了。
第一种方法，指定张量a的类型
a = tf.constant([1,2],name="a",dtype=tf.float32)第二种方法，加小数点
a = tf.constant([1.,2.],name="a")TensorFlow一共支持14种不同的类型，主要包括实数（tf.float32、tf.float64）、整数（tf.int8、tf.int32、tf.int64、tf.uint8）、布尔型(tf.bool)和复数(tf.complex64、tf.complex128）。
TensorFlow张量的使用主要包括两大类，第一大类当使用TensorFlow计算的时候，有许多的中间变量可以通过张量来提高代码的可读性。第二类就是当计算图构造完成之后，可以通过张量来获取计算的结果，需要配合使用Session。
三、Session(会话)
会话：用来执行定义好的运算，而且会话拥有和管理程序运行时的所有资源。当计算完成之后，需要通过关闭会话来帮助系统回收资源，否则可能导致资源泄露的问题。在TensorFlow中使用会话有两种方式。第一种需要明确调用会话生成函数和关闭会话函数
a = tf.constant([1.,2.],name="a")
b = tf.constant([2.0,3.0],name="b")
result = tf.add(a,b,name="add")
# 创建session
sess = tf.Session()
#获取运算结果
sess.run(result)
#关闭会话,释放资源
sess.close()在使用这种模式的时候，需要明确的调用sess.close()来关闭会话释放资源。如果，当程序因为异常而退出的时候，sess.close()有可能不会执行从而导致资源泄露问题的发生。为了解决这种情况，TensorFlow提供了通过python的上下文管理器来使用会话，也就是第二种方式
#通过python的上下文管理器来创建Session，管理会话
#通过上下文管理来管理会话，不需要调用sess.close()来关闭会话
#当上下文退出的时候会话会自动关闭和释放资源
with tf.Session() as sess:
sess.run(result)TensorFlow也还提供了一种类似于默认计算图一样的默认会话功能，但与默认计算图不同的是，默认会话不会自动创建，它需要手动自动。
a = tf.constant([1.,2.],name="a")
b = tf.constant([2.0,3.0],name="b")
result = tf.add(a,b,name="add")
#创建一个会话
sess = tf.Session()
#设置默认会话
with sess.as_default():
#获取张量result的值
print(result.eval())
#[ 3. 5.]
如果不设置默认会话，下面的代码也可以完成同样的功能
#创建一个会话
sess = tf.Session()
sess.run(result)
print(result.eval(session=sess))
#[ 3. 5.]TensorFlow还提供在交互式环境下，直接将创建的会话设置为默认会话
a = tf.constant([1.,2.],name="a")
b = tf.constant([2.0,3.0],name="b")
result = tf.add(a,b,name="add")
#创建一个默认会话
sess = tf.InteractiveSession()
print(result.eval())
#[ 3. 5.]除此之外，TensorFlow也还提供了一种通过ConfigProto来配置生成的会话。
config = tf.ConfigProto(allow_soft_placement=True,log_device_placement=True)
sess1 = tf.InteractiveSession(config=config)
sess2 = tf.Session(config=config)通过ConfigProto()函数，可以配置会话并行的线程数、GPU的分配策略、运算超时等参数。在这些参数中，最常用的就是上面配置的两个参数,第一个就是allow_soft_placement，这是一个bool类型的参数，当它设置为True的时候，满足下面的任意一个条件的时候，GPU上的运算可以放到CPU上进行：
1、运算无法在GPU上执行。
2、没有GPU资源（电脑上不存在GPU设备或者，指定程序在第二个GPU上运行，但是机器只有一个GPU）。
3、运算输入包含对CPU计算结果的引用。
allow_soft_placement参数默认设置为False，为了增强代码的可移植性，在有GPU的情况下一般都会将其设置为True。即使当前设置无法支持GPU的时候，也可以自动在CPU上运行。第二个参数log_device_placement，也是一个bool类型的参数，当它设置为True的时候日志将会记录每个节点被安排了在哪个设备上运行。一般，在生产环境中将这个参数设置为False，以减少日志的输出。