安装好TensorFlow之后，开一个python环境，就可以开始运行和使用TensorFlow了。
先给一个实例，
#先导入TensorFlow
import tensorflow as tf
# Create TensorFlow object called hello_constant
hello_constant = tf.constant('Hello World!')
with tf.Session() as sess:
# Run the tf.constant operation in the session
output = sess.run(hello_constant)
print(output)
也许有人奇怪，为什么不直接输出“Hello World！”呢，这个看起来很麻烦，是吗？其实不是的
1.Tensor是什么？
在 TensorFlow 中，数据不是以整数，浮点数或者字符串形式存在的，而是被封装在一个叫做 tensor 的对象中。Tensor是张量的意思，张量包含了0到任意维度的量，其中，0维的叫做常数，1维的叫做向量，二维叫做矩阵，多维度的就直接叫张量量。在 hello_constant = tf.constant(‘Hello World!’) 代码中，hello_constant是一个 0 维度的字符串 tensor，tensors 还有很多不同大小：
# tensor1 是一个0维的 int32 tensor
tensor1 = tf.constant(1234)
# tensor2 是一个1维的 int32 tensor
tensor2 = tf.constant([123,456,789])
# tensor3 是一个二维的 int32 tensor
tensor3 = tf.constant([ [123,456,789], [222,333,444] ])
2.Session是Tensorflow中的一个重要概念
Tensorflow中的所有计算都构建在一张计算图中，这是一种对数学运算过程的可视化方法。就像刚才的代码：
with tf.Session() as sess:
output = sess.run(hello_constant)
这个session就是负责让这个图运算起来，session的主要任务就是负责分配GPU或者CPU的。
3.tf.placeholder()
前面代码中出现了tf.constant(‘Hello World!’)，这个tf.constant是用来定义常量的，其值是不变的，但是如果你需要用到一个变量怎么办呢？
这个时候就需要用到tf.placeholder() 和 feed_dict了。
先给代码
x = tf.placeholder(tf.string)
with tf.Session() as sess:
output = sess.run(x, feed_dict={x: 'Hello World'})
tf.placeholder表示一个占位符，至于是什么类型，看自己定义了，这里定义的是tf.string类型，然后呢，在session开始run以前，也就死这个图开始计算以前，就使用feed_dict将对应的值传入x，也就是这个占位符。
同样的feed_dict可以设置多个tensor
x = tf.placeholder(tf.string)
y = tf.placeholder(tf.int32)
z = tf.placeholder(tf.float32)
with tf.Session() as sess:
output = sess.run(x, feed_dict={x: 'Test String', y: 123, z: 45.67})
但是需要注意的是，使用feed_dict设置tensor的时候，需要你给出的值类型与占位符定义的类型相同。
