一、tensorflow的处理结构：
1.形象理解：（来自莫烦）
Tensorsflow是采用data flow graphs（数据流图）来计算，首先我们得创建一个数据流图，然后将我们的数据以张量（tensor）的形式放到图中计算，''tensor'' ''flow'' 就是这么来的。可以看到上图就是一个完整的神经网络的图，图中节点代表数学操作，线代表数据tensor的流动，训练模型时tensor会不断的从数据流图中的一个节点flow到另一节点。
所以上图就是，在tensorflow的第一步就是建立一个这样的结构，然后把数据放到这样的一个结构中，让自己去运行，（tensor）向量在里面飞（flow），Input先飞到隐藏层（Relu）再飞到输出层（logit），梯度下降做数据处理，SGD train做数据完善。然后循环进行下一次tensorflow。
2.具体理解：
一个模型可以分为输入、中间节点、输出三大部分，tensorflow框架做的是让这三个部分连通起来学习规则并可以计算。tensorflow将节点和节点间的运算关系定义在‘图’上（图是静态的，只是负责把结构搭起来），然后通过一个sesssion‘会话’进行具体的运算。（会话是动态的，只有启动对话才会将数据流向图中，并按图中关系运算得出结果）
二、Tensorflow开发基本步骤：
1.声明张量：
（1）通过占位符定义（一般使用这个）
import tensorflow as tf
"""placeholder 是 Tensorflow 中的占位符，暂时储存变量.
Tensorflow 如果想要从外部传入data, 那就需要用到 tf.placeholder(),
然后以这种形式传输数据 sess.run(***, feed_dict={input: **})."""
#在 Tensorflow 中需要定义 placeholder 的 type ，一般为 float32 形式
input1= tf.placeholder(tf.float32)
input2= tf.placeholder(tf.float32)
# mul = multiply 是将input1和input2 做乘法运算，并输出为 output
ouput = tf.multiply(input1, input2)
"""接下来, 传值的工作交给了 sess.run() , 需要传入的值放在了feed_dict={}
并一一对应每一个 input. placeholder 与 feed_dict={} 是绑定在一起出现的"""
with tf.Session() as sess:
print(sess.run(ouput, feed_dict={input1: [7.], input2: [2.]}))
#结果：14使用方法：
占位符只是将数据放入图中，从会话中的feed_dict参数获取数据。 要在图中放置占位符，我们必须对占位符执行至少 一个操作。
比如下面：我们初始化图形，将x声明为占位符，并将y定义为x上的identity操作，它只返回x。 然后，我们创建数据以进入x占位符并运行identity操作。 值得注意的是，TensorFlow不会在feed字典中返回一个自引用的占位符。
sess = tf.Session()
x = tf.placeholder(tf.float32, shape=[2,2])
y = tf.identity(x)
x_vals = np.random.rand(2,2)
sess.run(y, feed_dict={x: x_vals})
# Note that sess.run(x, feed_dict={x: x_vals}) will result in a self-referencing error.三、最新情况：
这篇博客写到一半，还是觉得tensorflow各种用法好麻烦。查了一下，出了tensorflow2.0版本，1.x版本明年估计也停止维护了。。可能是看自己快被pytorch打败了，不得不做出的改变。所以我还是愉快地去学习一下tensorflow2.0，看看论文看看pytorch吧。。。
