TF1和TF2

TensorFlow2默认采用Eager执行模式即动态图模式，TensorFlow默认采用Graph执行模式即静态图模式，动态图模式相比静态图模式而言，在开发过程中更易于调试，可以像debug python代码一样，去debug TensorFlow计算图的执行步骤并可即时看到执行结果，而在部署过程中，静态图模式执行效率更高，这种执行效率高体现在不用实时的去构建计算图了，少了一个编译过程

静态图的执行分为两步:1、构建计算图，2、创建会话，在会话中执行计算图得到结果，这也是静态图不易于调试的原因

TensorFlow会生成默认计算图，但不会默认生成会话，但是可以把声明的会话，显式的设置成默认会话，这样就可以用eval函数来获取张量的值，需要注意的一点是，设置默认会话时，需要在上下文环境中设置，即要使用with关键字

张量即Tensor,在TensorFlow中所有的数据都是通过张量的形式来表现的，张量在在数据角度可以理解成一个多维数组，而在代码层次可以理解为是一个类，它包含了值，计算过程，数据类型。

零阶张量即标量（scalar）,也就是一个数，它的形状用（）表示

一阶张量即向量（vector），也就是一维数组，它的形状用（D1,）表示，D1表示这个维度所包含数据的个数，例如[2,4,4]这个数组，它的形状就是（3，）

n阶张量可以理解成多维数组，例如三阶张量t1 = [[[1,2],[2,3]],[[1,2],[2,3]]]，它的形状就是（2,2,2），三个数表示它是个3阶张量，每个数表示在每个维度上数据的个数

张量既然可以看成多维数组，那么它取值按照下标索引去取就可以了，例如上面这个三阶张量t1,取其第二个维度的第一个组值，可以表示为t1[0][0]

常量：程序运行过程中不会改变的值,声明方式：t1 = tf.constatnt(value)

变量：程序运行过程中会改变的值，声明方式 t2 = tf.Variable(value,name)

常量和变量除了上述不同之外，还有一个不同，常量在参与运算之前，会自动赋值，但是变量需要有一个显式的初始化动作，单个变量初始化可以用init_op =t2.initializer()方法就行了，所有变量初始化init_op =
tf.global_variables_initalizer()

占位符即tf.placeholder(dtype.shape=None,name=None)也是也一种变量，不同的是，它不需要初始化，主要用来承接外部输入值

TensorBoard 是TensorFlow的可视化工具，在安装TensorFlow时会一并安装，它通过读取TensorFlow的运行日志来可视化TensorFlow的运行状态