tf的特征就是，所有东西都是操作，在run之前，都是保存了操作，实际run之后才出现值。
这也符合变量的性质把
tf.cinstant 创建标量矩阵
tf有一套矩阵运算操作，，
#Session: 用来进行执行操作
sess = tf.Session()
res = sess.run(某个操作)
sess.close()
#Varaible: tf里面所有变量要被定义成tf.Varaible
var = tf.Varaible(value,xxxx)
init = tf.initialize_all_varaibles()
with tf.Session() as sess:
sess.run(init)#先运行init
sess.run(操作)#再运行神经网络操作
print(sess.run(var))#打印时候，也要sess.run()的指针挂上去
#placeholder,占位器，运行时传入实际数据。为什么需要placeholder呢，为了避免显式的制定数据的size?显式的定义，有时候要指明矩阵形状，调整起来麻烦
ip1 = tf.placeholder(tf.float32)
op1 = tf.multiply(ip1,ip1)
with tf.Session as sess:
sess.run(op1,feed_dict = {ip1:xxxx})#feed_dict参数可以用字典形式传入对应的值
莫凡的这一节有个完整的神经网络例子。就不手打了，
https://github.com/MorvanZhou/tutorials/blob/master/tensorflowTUT/tensorflow11_build_network.py
原文：https://www.cnblogs.com/zherlock/p/10993153.html