for op in graph.get_operations(): 
    print(op.name)

 你可以打印出它们的名字，当然在我们没有添加操作之前，它还是空的。

(ii) TensorFlow Session:

图用于定义操作，但是操作必须在会话中执行，它们之间是独立创建的，你可以把图想象为蓝图，把会话想象为建筑工地。

图只定义了操作，但并没有变量，更没有值，只有我们在会话中运行图，这一切才有意义。

你可以像这样创建会话：

sess=tf.Session()
... your code ...
... your code ...
sess.close()

记得一定要关闭会话，或者你可以像这样使用：

with tf.Session() as sess:
    sess.run(f)

这样会话就自动关闭了，当然我们也推荐你这样使用。

iii). Tensors in TensorFlow:

 TF使用张量表示数据就像在numpy中使用多维数组一样。

a) 常量:

常量不能改变，像这样定义：

a=tf.constant(1.0)
a
<tf.Tensor‘Const:0‘ shape=() dtype=float32>
 print(a)
Tensor("Const:0", shape=(), dtype=float32)

它不能像Python一样打印或者访问，除非你在会话中使用：

with tf.Session() as sess:
    print(sess.run(a))

 这将打印1.0

b) 变量:

>>>b = tf.Variable(2.0,name="test_var")
>>>b
<tensorflow.python.ops.variables.Variable object at 0x7f37ebda1990>

变量就像常量一样可以设置不同的值，但是变量通过init op来用作初始化，分别初始化所有变量会显得很麻烦，所以TensorFlow提供了init op

with tf.Session() as sess:
    sess.run(init_op)
    print(sess.run(b))

现在我们来打印图的操作：

graph = tf.get_default_graph()
for op in graph.get_operations(): 
    print(op.name)

输出：

Const
test_var/initial_value
test_var
test_var/Assign
test_var/read
init

 就像你看到的，因为我们使用了常量a，所以图中加入了Const.同样因为我们定义了变量b，所以test_var开头的操作被加入到图中，你可以使用名叫TensorBoard的工具，

来可视化一张图或者训练过程。