TensorFlow 基础概念
初识TensorFlow，看了几天教程后有些无聊，决定写些东西，来夯实一下基础，提供些前进动力。
一、Session.run()和Tensor.eval()的区别：
最主要的区别就是可以使用sess.run()一步获取多个Tensor值，而tensor.eval()只能获取当前tensor值。
比如：
labels = [1,2,3]
x = tf.expand_dims(labels, 0)
y = tf.expand_dims(labels, 1)
z = tf.expand_dims(labels, -1)
print(sess.run([x,y,z]))
注：对于tensor t，在使用t.eval()时，等价于：tf.get_default_session().run(t)。
此外，还有一个用法，operation.run()，等价于：tf.get_default_session().run(op)。operation是什么呢，就是计算图中的一个计算节点，定义一个计算的公式。
比如：
train_step=tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
train_step.run(feed_dict={x:batch_xs,y_:batch_ys,keep_prob:0.5})
注：调用operation.run()和Tensor.eval()时，其参数是session，但该参数可选，默认是None，标示进程中默认的Session。那么如何设置默认session呢？两种方式：
1、with tf.Session()：
2、 sess = tf.Session()
with sess.as_default():
print(sess.run([x,y,z]))
sess.close()
此外，还可以设置默认图
graph = tf.Graph()
with graph.as_default():
二、graph和session的必要性
Python的计算效率比较低，而深度学习需要大量的迭代计算。所以，通常会使用函数库，如Numpy，把类似矩阵乘法这样的复杂运算使用其他外部语言（比如C++）来实现。但计算完成后从外部切换回Python仍然开销很大。所以，先把所有的计算操作公式定义好（这个用图描述，只是初级都用默认图），然后全部一次性在Python外运行计算（这个在定义的会话session中完成）。这是graph和session的由来及用处。
session有三种定义方式：
1、该方式需要调用sess.close(）来关掉sess。
sess=tf.Session()
init=tf.global_variables_initializer()
sess.run(init)
sess.close()
2、该方式创建context，当上下文退出时自动释放，不需要手动关掉session。
with tf.Session() as sess:
init=tf.global_variables_initializer()
sess.run(init)
3、该方式可以在sess中定义operation。
sess = tf.InteractiveSession()
session可以有多个，graph也可以有多个，具体如下：
Session类的构造函数：tf.Session.__init__(target='',graph=None,config=None)
如果创建Session时没有指定Graph，则Session会加载默认的Graph。如果在一个进程中创建了多个Graph（这是会的，可能有多层，多个结构，或分布式处理），则需要创建不同的Session来加载每个Graph，而每个Graph也可以加载在多个Session中进行计算。一个session中只能有一个图，而一个图可以放在多个session中。
g1 = tf.Graph()
with g1.as_default():
c1 = tf.constant([1.0,1.0])
with tf.Graph().as_default() as g2:
c2 = tf.constant([2.0,2.0])
with tf.Session(graph=g1) as sess1:
print sess1.run(c1)
with tf.Session(graph=g2) as sess2:
print sess2.run(c2)
Graph中的operation定义好之后，看sess.run()要运行哪个，运行哪个就触发哪个。
