a = tf.constant(10)
x = tf.Variable(tf.ones([3,3]))
y = tf.Variable(tf.zeros([3,3]))
变量定义完，必须显式的执行一下初始化操作：
init = tf.initialize_all_variables()
变量在定义时要初始化，但是如果有些变量刚开始我们并不知道它们的值，无法初始化，那怎么办呢？
那就用占位符来占个位置，如：
x = tf.placeholder(tf.float32,[None,784])
指定这个变量的类型和shape，以后再用feed的方式来输入值。
4.图（graph）
如果把下面的python语句改在tf语句，该怎么写呢：
x = 3 y = 2 z = x + y print(z)
如果在tf中直接像上面这样写，那就错了。x,y,z分别是三个tensor对象，对象间的运算称之为操作(op), tf不会去一条条地执行各个操作，而是把所有的操作都放入到一个图(graph）中，图中的每一个结点就是一个操作。然后行将整个graph 的计算过程交给一个 TensorFlow 的Session, 此 Session 可以运行整个计算过程，比起操作(operations)一条一条的执行效率高的多。
执行代码如下：
import tensorflow as tf x = tf.Variable(3) y = tf.Variable(5) z = x + y init = tf.initialize_all_variables() with tf.Session() as sess: sess.run(init) print(sess.run(z))
其中sess.run()即是执行，注意要先执行变量初始化操作，再执行运算操作。
Session需要先创建，使用完后还需要释放。因此我们使用with...as..语句，让系统自动释放。
例子1：hello world
import tensorflow as tf s = tf.constant(‘hello world‘) with tf.Session() as sess: print(sess.run(s))
例子2：加法和乘法
import tensorflow as tf a = tf.placeholder(tf.int16) b = tf.placeholder(tf.int16) add = tf.add(a,b) mul = tf.mul(a,b) with tf.Session() as sess: print(‘a+b=‘,sess.run(add,feed_dict={a:2,b:3})) print(‘a*b=‘,sess.run(mul,feed_dict={a:2,b:3}))
此处使用feed_dict以字典的方式对多个变量输入值。
例子3：矩阵乘法
import tensorflow as tf a = tf.Variable(tf.ones([3,2])) b = tf.Variable(tf.ones([2,3])) product = tf.matmul(5*a,4*b) init = tf.initialize_all_variables() with tf.Session() as sess: sess.run(init) print(sess.run(product))
其中
product=tf.matmul(5*a,4*b)
也可以改成
product=tf.matmul(tf.mul(5.0,a),tf.mul(4.0,b))
定义变量时，没有指定数据类型，则默认为float32，因此是5.0而不是5
原文：http://www.cnblogs.com/zhoulixue/p/6437434.html