Tensor 是张量，数据结构为多维数组
Flow 是流，表示张量之间计算转换的过程
TensorFlow组合起来就是数据流图
零阶张量就是标量，也就是一个数 一阶张量为向量，也就是一维数组 n 阶张量可以理解成 n 维数组
张量的属性:id,shape,dtype,value 得到 Tensor 的值，可以通过 numpy()方法，返回 Numpy.array 类型的数据
查看张量的 shape 属性还可以通过 get_shape()方法来获取 张量默认类型： 不带小数点的数会被默认为 int32 带小数点的会被默认为 float32 TensorFlow 会对参与运算的所有张量进行类型的检查，发现类型不匹配时会报错 可以通过 tf.cast()进行数据类型转换
常量创建
tf.constant( value, dtype=None, shape=None, name='Const' )在创建常量时只有 value 值是必填的，dtype 等参数可以缺省，会根据具体的 value 值设置 相应的值 如果 shape 参数值被设定，则会做相应的 reshape 工作
变量创建 创建语句： 注意 V 是大写字母
tf.Variable ( initial_value, dtype=None, shape=None, trainable =True name='Variable' )变量像常量一样在创建时必须确定初始值，其它可以缺省 也可以用一个张量作为初始值
TensorFlow 中的变量是一种特殊的设计，是可以被机器优化过程中自动改 变值的张量，也可以理解为待优化的张量。 在 TensorFlow 中变量创建后，一般无需人工进行赋值，系统会根据算法模 型，在训练优化过程中自动调整变量的值。 在变量的参数中，trainable 参数用来表征当前变量是否需要被自动优化， 创建变量对象时默认是启用自动优化标志。
assign()可以进行人工赋值 assign_add()、assign_sub()方法来实现变量的加法和减法值更新
计算图（数据流图）是一个有向图，由以下内容构成： 一组节点，每个节点都代表一个操作，是一种运算 一组有向边，每条边代表节点之间的关系（数据传递和 控制依赖）
TensorFlow 有两种边： 常规边（实线）：代表数据依赖关系。一个节点的运算输出成 为另一个节点的输入，两个节点之间有 tensor 流动（值传递） 特殊边（虚线）：不携带值，表示两个节点之间的控制相关性。 比如，happens-before 关系，源节点必须在目的节点执行前完 成执行
TensorFlow 1.x 版本代码的执行模式是传统的静态图执行模式(Graph Execution),效率较高但存在着一定弊端，如入门门槛高、调试困难、灵活性差、无法使用 Python 原生控制语句等。 TensorFlow 2 默认采用动态图执行机制(Eager Execution)。 基于静态计算图的图执行模式把程序分为两部分： 1）构建阶段：建立一个 “计算图”，通过图的模式来定义数据与操作 的执行步骤； 2）执行阶段：建立一个会话，使用会话对象来实现计算图的执行。
在 TensorFlow 2 中，原有的 TensorFlow 1.X 的 API 整理到 tensorflow.compat.v1 包里去了 在 TensorFlow 2 使用 1.x 的图执行模式，或者使用其它 1.x 的 api：
- 导入 TensorFlow 时使用 import tensorflow.compat.v1 as tf 代替 import tensorflow as tf；
- 执行 tf.disable_eager_execution() 禁用 TensorFlow 2 默认的即时执行模式。
图执行模式只是建立计算图，并不会立马执行，执行需要在会话(session)中实现。
sess=tf.Session()
print("运行sess.run(node1)的结果:",sess.run(node1))
print("运行sess.run(node2)的结果:",sess.run(node2))
print("运行sess.run(node3)的结果:",sess.run(node3))
sess.close()运行结果:
运行sess.run(node1)的结果: 3.0
运行sess.run(node2)的结果: 4.0
运行sess.run(node3)的结果: 7.0session 放到下一篇学习笔记中。