tensorflow基本只是

• tf.placeholder()操作用于定义一种必须提供值得tensor,冰爷可以随意限定他们的shape.

• Session.run() 和Tensor.eval()

• t是一个tensor对象,t.eval就是sess.run(t)

• Tensor 的一个方法，返回 Tensor 的值。触发任意一个图计算都需要计算出这个值。只能在一个已经启动的会话
  的图中才能调用该 Tensor 值。
  下面是等效的
  # 使用 Session.run().
  sess = tf. Session()
  c = tf. constant(5.0)
  print sess. run(c)
  # 使用 Tensor.eval().
  c = tf. constant(5.0)
  with tf. Session() :
  print c. eval()

• 静态的 shape 可以用 tf.Tensor.get_shape()方法读出

• 向 TensorBoard 发送数据的最简单的方法是什么？
  给你的 TensorFlow graph 增加 summary 操作(ops)，接着用 SummaryWriter 将这些 summaries 写入一个 log
  directory。然后用以下命令启动 TensorBoard 。

  python tensorflow/tensorboard/tensorboard.py –logdir=path/to/log-directory`

• feed用于临时替代一个带有rensor值的节点,把feed数据作为run()方法和eval()方法的参数来初始化运算,方法运行结束后，替换的 feed 就会消失，而最初的节点定义仍然还在。可以通过tf.placeholder( )把特定的节点指定为 feed 节点来创建它们。

• Fetch
  TensorFlow中的一个概念：为了取回运算操作的输出结果。取回的申请发生在触发执行图操作的时候，而不是发
  生在建立图的时候。可以通过在 Session 对象上调用run()方法并将待取回节点（node）的列表作为参数来执行图表(graph)。
• Graph(图)
  把运算任务描述成一个直接的无环图形（DAG），图表中的节点（node）代表必须要实现的一些操作。图中的边代
  表数据或者可控的依赖。GratheDef 是系统中描述一个图表的协议(api)，它由一个 NodeDefs 集合组成。一个Gr
  aphDef可以转化成一个更容易操作的图表对象。
• Node（节点）
  图中的一个元素。 把启动一个特定操作的方式称为特定运算图表的一个节点，包括任何用来配置这个操作的属性
  的值。对于那些多形态的操作，这些属性包括能完全决定这个节点（Node）签名的充分信息。详见graph.proto。
• op
  是一个操作,操作)的 type 属性决定这个节点（node）的操作类型，比如add和matmul。
  Run
  在一个运行的图中执行某种操作的行为。要求图必须运行在会话中。
• Session(会话)
  启动图的第一步是创建一个 Session 对象。Session 提供在图中执行操作的一些方法。是一个用来运行操作的类
• Shape
  Tensor 的维度和它们的大小。
  Tensor
  Tensor是一种特定的多维数组。比如，一个浮点型的四维数组表示一小批由[batch,height，width，channel]组
  成的图片。在一个运行的图(graph)中，它是一种流动在节点（node）之间的数据。 在 Python 中，Tensor 类表示添加到图的操作中的输入和输出
• tensor的阶
  张量的维数称为阶
  ，一阶张量可以认为是一个向量.对于一个二阶张量你可以用语
  句 t[i, j] 来访问其中的任何元素.而对于三阶张量你可以用’t[i, j, k]’来访问其中的任何元素
  数据类型,