tensorflow不仅仅是一个计算图软件，其还包含了tensorboard可视化工具，安装tensorflow的时候会默认安装，使用方法非常简单，使用writer = tf.summary.FileWriter('./graph', sess.graph) 就能够创建一个文件写入器，./graph是存储目录，sess.graph表示读入的图结构。
我们可以写一个简单的小程序
import tensorflow as tf
a = tf.constant(2)
b = tf.constant(3)
x = tf.add(a, b)
with tf.Session() as sess:
writer = tf.summary.FileWriter('./graphs', sess.graph)
print(sess.run(x))
writer.close() # close the writer when you’re done using it
然后打开终端，运行程序，接着输入`tensorboard --logdir="./graphs"`，然后打开网页输入
http://localhost:6006/，就能够进入tensorboard，可以得到下面的结果。
能够通过下面这个方式创造一个常数
tf.constant(value, dtype=None, shape=None, name='Const', verify_shape=False)
比如建立一维向量和矩阵，然后将他们乘起来
a = tf.constant([2, 2], name='a')
b = tf.constant([[0, 1], [2, 3]], name='b')
x = tf.multiply(a, b, name='dot_production')
with tf.Session() as sess:
print(sess.run(x))
>> [[0, 2]
[4, 6]]
这跟numpy里面的是差不多的，同时还有一些特殊值的常量创建。
tf.zeros(shape, dtype=tf.float32, name=None)
tf.zeros_like(input_tensor, dtype=None, name=None, optimize=True)
tf.ones(shape, dtype=tf.float32, name=None)
tf.ones_like(input_tensor, dtype=None, name=None, optimize=True)
tf.fill(dims, value, name=None)
tf.fill([2, 3], 8)
>> [[8
, 8, 8], [8, 8, 8]]
也有和numpy类似的序列创建
tf.linspace(start, stop, num, name=None)
tf.linspace(10.0, 13.0, 4)
>> [10.0, 11.0, 12.0, 13.0]
tf.range(start, limit=None, delta=1, dtype=None, name='range')
tf.range(3, limit=18, delta=3)
>> [3, 6, 9, 12, 15]
这和numpy最大的区别在于其不能迭代，即
for _ in tf.range(4): # TypeError
除此之外还可以产生一些随机数
tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32,seed=None, name=None)
tf.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32,
seed=None,name=None)
tf.random_uniform(shape, minval=0, maxval=None, dtype=tf.float32, seed=None,name=None)
tf.random_shuffle(value, seed=None, name=None)
tf.random_crop(value, size, seed=None, name=None)
tf.multinomial(logits, num_samples, seed=None, name=None)
tf.random_gamma(shape, alpha, beta=None, dtype=tf.float32, seed=None, name=None)
另外tensorflow和numpy的数据类型可以通用，也就是说
tf.ones([2, 2], np.float32)
>> [[1.0, 1.0], [1.0, 1.0]]
最好不要使用python自带的数据类型，同时在使用numpy数据类型的时候要小心，因为未来可能tensorflow的数据类型和numpy不再兼容。
使用常量会存在什么问题呢？常量会存在计算图的定义当中，如果常量过多，这会使得加载计算图变得非常慢，同时常量的值不可改变，所以引入了变量。
a = tf.Variable(2, name='scalar')
b = tf.Variable([
2, 3], name='vector')
c = tf.Variable([[0, 1], [2, 3]], name='matrix')
w = tf.Variable(tf.zeros([784, 10]), name='weight')
变量有着下面几个操作
x = tf.Variable()
x.initializer # 初始化
x.eval() # 读取里面的值
x.assign() # 分配值给这个变量
注意一点，在使用变量之前必须对其进行初始化，初始化可以看作是一种变量的分配值操作。最简单的初始化方式是一次性初始化所有的变量。
init = tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init)
也可以对某一部分变量进行初始化
init_ab = tf.variable_initializer([a, b], name='init_ab')with tf.Session() as sess:
sess.run(init_ab)
或者是对某一个变量进行初始化
w = tf.Variable(tf.zeros([784, 10]))
with tf.Session() as sess:
sess.run(w.initializer)
如果我们想取出变量的值，有两种方法
w = tf.Variable(tf.truncated_normal([10, 10], name='normal'
