以下内容摘自Google开发者网站课程——机器学习速成课程
TensorFlow 的名称源自张量，张量是任意维度的数组。借助 TensorFlow，您可以操控具有大量维度的张量。即便如此，在大多数情况下，您会使用以下一个或多个低维张量：
- 标量是零维数组（零阶张量）。例如，
\‘Howdy\‘或5 - 矢量是一维数组（一阶张量）。例如，
[2, 3, 5, 7, 11]或[5] - 矩阵是二维数组（二阶张量）。例如，
[[3.1, 8.2, 5.9][4.3, -2.7, 6.5]
TensorFlow 指令会创建、销毁和操控张量。典型 TensorFlow 程序中的大多数代码行都是指令。
TensorFlow 图（也称为计算图或数据流图）是一种图数据结构。很多 TensorFlow 程序由单个图构成，但是 TensorFlow 程序可以选择创建多个图。图的节点是指令；图的边是张量。张量流经图，在每个节点由一个指令操控。一个指令的输出张量通常会变成后续指令的输入张量。TensorFlow 会实现延迟执行模型，意味着系统仅会根据相关节点的需求在需要时计算节点。
张量可以作为常量或变量存储在图中。您可能已经猜到，常量存储的是值不会发生更改的张量，而变量存储的是值会发生更改的张量。不过，您可能没有猜到的是，常量和变量都只是图中的一种指令。常量是始终会返回同一张量值的指令。变量是会返回分配给它的任何张量的指令。
要定义常量，请使用 tf.constant 指令，并传入它的值。例如：
x = tf.constant([5.2])
同样，您可以创建如下变量：
y = tf.Variable([5])
或者，您也可以先创建变量，然后再如下所示地分配一个值（注意：您始终需要指定一个默认值）：
y = tf.Variable([0])
y = y.assign([5])
定义一些常量或变量后，您可以将它们与其他指令（如 tf.add）结合使用。在评估 tf.add 指令时，它会调用您的 tf.constant 或 tf.Variable 指令，以获取它们的值，然后返回一个包含这些值之和的新张量。
图必须在 TensorFlow 会话中运行，会话存储了它所运行的图的状态：
将 tf.Session() 作为会话：
initialization = tf.global_variables_initializer()
print y.eval()
在使用 tf.Variable 时，您必须在会话开始时调用 tf.global_variables_initializer，以明确初始化这些变量，如上所示。
简单DEMO：
import tensorflow as tf with tf.Graph().as_default(): # Task 2: Simulate 10 throws of two dice. Store the results # in a 10x3 matrix. # We‘re going to place dice throws inside two separate # 10x1 matrices. We could have placed dice throws inside # a single 10x2 matrix, but adding different columns of # the same matrix is tricky. We also could have placed # dice throws inside two 1-D tensors (vectors); doing so # would require transposing the result. dice1 = tf.Variable(tf.random_uniform([10, 1], minval=1, maxval=7, dtype=tf.int32)) dice2 = tf.Variable(tf.random_uniform([10, 1], minval=1, maxval=7, dtype=tf.int32)) # We may add dice1 and dice2 since they share the same shape # and size. dice_sum = tf.add(dice1, dice2) # We‘ve got three separate 10x1 matrices. To produce a single # 10x3 matrix, we‘ll concatenate them along dimension 1. resulting_matrix = tf.concat( values=[dice1, dice2, dice_sum], axis=1) with tf.Session() as sess: # The variables haven‘t been initialized within the graph yet, # so let‘s remedy that. sess.run(tf.global_variables_initializer()) print(resulting_matrix.eval())
