概念
Tensor 表明了数据结构，flow体现了它的计算模型，直观地表达了张量之间通过计算相互转换的过程。
每个计算都是计算图上的一个节点，节点之间的边描述了计算之间的依赖关系。
结构
一个张量中主要保存了三个属性：名字、维度和类型。
名字：张量唯一的标识符，同时给出了这个张量是如何计算出来的。“node:src_output”,node为节点名称， src_output表示来自节点的第几个输出。维度：描述张量的维度信息。类型. 使用
对中间结果的引用用来获得计算结果。张量本省不存储具体的数字，通过session后可以得到具体的数字。会话拥有管理程序运行是的所有资源。
会话的两种模式：
明确调用会话生成函数和关闭会话函数
# 创建会话 sess = tf.Session() # 使用会话得到运算的结果 sess.run(...) # 关闭会话 sess.close()通过python上下文管理器使用会话
# 创建会话 with tf.Session() as sess: sess.run(...) .... # 不需要调用close关闭会话，上下文退出时会话自动关闭和资源自动释放会话指定后，可以通过tf.Tensor.eval来计算张量的取值。
交互式环境下，使用tf.Interactivesession自动将生成的会话注册为默认会话，获取张量比较方便，省去将产生的会话注册为默认会话的过程。
通过ConfigProto Protocol Buffer配置需要生成的会话
config = tf.ConfigProto(allow_soft_placement=True, # 增强程序的可移植性 # 日志中记录每个节点被安排在那个设备上方便调试 log_device_placement=True) sessl = tf.InteractiveSession(config=config) sess2 = tf.Session(config=config)变量与张量之间的关系
变量的声明函数tf.Variable是一个运算，这个运算的输出结果就是一个张量，所以变量只是一种特殊的张量。
tf.Variable
tf.global_varibales()拿到当前计算图中所有的变量
通过trainable区分需要优化的参数和其他参数。
变量在构建后，类型不能再改变
tf.Variable和tf.get_variable的区别
tf.get_variable用于创建变量时，它和tf.Variable的功能基本等价。
tf.Variable和tf.get_variable最大的区别在于指定变量名称的参数。
对于tf.Variable，变量名称是一个可选参数，通过name="v"的形式给出
对于tf.get_variable，变量名称是一个必填的参数，函数会根据这个名字去创建或者获取变量。
tf.get_variable的使用
当 tf.variable_scope 函数使用参数 reuse=True生成上下文管理器时，这个上下文管理器内所 有的tf.get_variable 函数会直接获取己经创建的变量。如果变量不存在，tf.get_variable函数将报错；相反，如果tf.variable_scope函数使用参数 reuse=None 或者reuse=False 创建上下文管理器，tf.get_variable操作将创建新的变量。如果同名的变量已经存在，则 函数报错。
tf.variable_scopt可以嵌套
通过tf.get_variable_scope获取当前上下文管理器的reuse值。
with tf.variable_scope ("root"): print(tf.get_variable_scope().reuse) # 输出为False with tf.variable_scope("foo", reuse=True): print(tf.get_variable_scope().reuse) # 输出为True with tf.variable scope("bar"): # 不指定reuse， print(tf.get_variable_scope().reuse)# 输出为True，当前值会与外 # 面一层保持一致 print(tf.get_variable_scope().reuse) # reuse回到值为False在命名空间内创建的变量名称会带上这个命名空间名作为前缀。
with tf.variable_scope("foo"): v2 = tf.get_variable("v", [1]) print(v2.name) # 输出foo/v:0 with tf.variable_scope("foo"): with tf.variable_scope("bar"): v3 = tf.get_variable("v", [1]) print v3.name # 输出foo/bar/v:0保存和还原网络模型
Tensorflow提供了tf.train.Saver类。 import tensorflow as tf vl = tf.Variable(tf.constant(l.0 , shape=[l]), name="vl") v2 = tf.Variable(tf.constant(2.0 , shape=[l]), name="v2") result = vl + v2 init_op= tf.global_variables_initializer() # 声明 tf.train.Saver 类用于保存模型。 saver = tf.train.Saver() with tf.Session() as sess : sess.run(init_op) # 将模型保存到/path/to/model/model.ckpt 文件。 saver.save(sess,"/path/to/model/model.ckpt")路径下会生成4个文件（0.11版本以后）参考stackoverflow回答
.cpkt.meta：保存了计算图的结构。
.cpkt.data：保存每个训练变量的取值。
.cpkt.index:
checkpoint：保存了一个目录下所有的模型文件列表。
