tensorflow接口学习

似乎每个Tensor对应底层的一个值
似乎每个OP都必须由sees.run触发
Tensor对应一个高维空间，比如
(1，2，3)对应一个三维空间，每一维的长度分别为1，2，3. （0，0，0）标示了其中一个元素的坐标。
(4,5,6,7)对应一个四维空间，每一维的长度分别为4，5，6，7. （3，3，3，3）标示了其中一个元素的坐标。
一个样本有n个属性，集合有m个样本，则表达这个集合需要2维Tensor，即(m,n)矩阵。
似乎可以这么理解，Tensor的第一维对应样本数量，最后一维对应具体的属性值，中间维只是进行嵌套。

tf.Variable 变量，添加一些OP到graph。Tensor类型variables，也可能是trainable_variables，可训练的变量
tf.random_normal([784, 200], stddev=0.35) 一种OP，返回一个张量
tf.zeros([200]) 一种OP，返回一个张量
tf.initialize_all_variables() 返回一个OP，初始化所有tf.Variable，即执行tf.Variable内部的OP。sees.run可以触发此OP
tf.summary.scalar(‘loss’, loss) 返回一个Tensor，但是在内部已经把这个Tensor加入ops._collections下的某一组。似乎所有的Tensor都有对应的分组类型，方便统一处理。Tensor类型summaries
tf.merge_all_summaries() 返回一个OP，对所有summaries类型的Tensor执行初始化。

tf.Variable 一定会创建一个变量
tf.get_variable 先试图找变量，找不到再创建变量，主要是为了参数共享。比如训练出来一组参数，想在不同的地方使用，就需要参数共享
tf.name_scope 主要结合 tf.Variable() 来使用，方便参数命名管理
tf.variable_scope 主要结合 tf.get_variable 来使用，实现 变量共享
tf.name_scope 并不会对 tf.get_variable 创建的变量有任何影响

首先我们要确立一种 Graph 的思想。在 TensorFlow 中，我们定义一个变量，相当于往 Graph 中添加了一个节点。和普通的 python 函数不一样，在一般的函数中，我们对输入进行处理，然后返回一个结果，而函数里边定义的一些局部变量我们就不管了。但是在 TensorFlow 中，我们在函数里边创建了一个变量，就是往 Graph 中添加了一个节点。出了这个函数后，这个节点还是存在于 Graph 中的。