1.1tensorflow编程思想与基本结构

python是一个脚本语言，它的运算速度较C、C++来说慢了很多很多，所以如果要执行开销非常大的操作（比如大型矩阵乘法），一般都是转到python之外，使用其他语言来完成。但是，从其他语言转回到python的这个操作仍然是耗费时间的，如果这种转来转去的操作经常发生，也会大大影响程序的运行速度。所以tensorflow索性只使用python这门语言对计算的过程进行描述，待描述完毕之后统一放到python之外使用其他语言进行。

这个统一描述的过程就是tensorflow的编程体系：图（graph）、节点（operation）和张量（tensor）。

图就是整个计算过程所依托的白纸，计算过程的每一个环节都是一个op（即operation，以下均用op代指节点），在整个图中流动的数据用矩阵来表示，矩阵在tensorflow中被称为tensor（张量）。

每一个op只有两种类型：纯数据和纯操作

# 纯数据
op1 = tf.constant([[1, 2], [3, 4]])
op2 = tf.constant([[1, 2], [3, 4]])
# 纯操作
op3 = tf.matmul(op1, op2)

纯操作有tensorflow的各种内置类型，比如matmul（矩阵乘法）、mul（乘法）等等；
纯数据也有tensorflow提供的各种类型，包括：
常量constant、
变量（要赋初值但是在计算过程中可能会根据你的想法进行变化）Variable
占位符（在计算过程中实时输入的数据）placeholder等等。

注意Variable由于其特殊性（即在运算过程中系统可以自行改变这个数据的值），需要在计算之前进行初始化：sess.run(tf.initialize_all_variables())