書中第三章初看可能會有點懵，需要將計算圖、張量結合起來看。
計算圖
TensorFlow中的運算會通過計算圖的形式表述。
以下為TensorFlow中兩個向量相加的代碼。
import tensorflow as tf
a = tf.constant([1.0,2.0],name="a")#tf.constant是一個計算，結果為一個張量，保存在變量a中
b = tf.constant([2.0,3.0],name="b")
result = a + b
計算圖
TensorFlow會自動生成一個默認的計算圖，如果沒有特殊指定，運算會自動加入到這個計算圖中。
張量
張量即Tensor，是TensorFlow中管理數據的形式。
- 零階張量表示標量（scalar）也就是一個數或字符串；
- 一階張量稱為向量，可以理解為一維數組；
- n階張量可以理解為n維數組。
在前面計算圖的例子中：
print(result)
Tensor("add:0", shape=(2,), dtype=int32)
可以看到TensorFlow中的計算結果并不是一個具體的數值，而是以張量的結構保存下來，張量包含了三個屬性：名字、維度和類型。
add:0表示result這個張量是計算節點add輸出的第一個結果。
shape=(2,)表示這個張量是一個一階張量。
dtype為張量的類型，每個張量只有唯一的類型，不同類型的張量不能夠進行運算：
>>> a = tf.constant([1,2],name="a")
>>> b = tf.constant([1.0,2.0],name="b")
>>> result = a + b
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
File "D:\ProgramData\Anaconda3\lib\site-packages\tensorflow\python\ops\math_op
s.py", line 885, in binary_op_wrapper
y = ops.convert_to_tensor(y, dtype=x.dtype.base_dtype, name="y")
File "D:\ProgramData\Anaconda3\lib\site-packages\tensorflow\python\framework\o
ps.py", line 836, in convert_to_tensor
as_ref=False)
File "D:\ProgramData\Anaconda3\lib\site-packages\tensorflow\python\framework\o
ps.py", line 926, in internal_convert_to_tensor
ret = conversion_func(value, dtype=dtype, name=name, as_ref=as_ref)
File "D:\ProgramData\Anaconda3\lib\site-packages\tensorflow\python\framework\o
ps.py", line 774, in _TensorTensorConversionFunction
(dtype.name, t.dtype.name, str(t)))
ValueError: Tensor conversion requested dtype int32 for Tensor with dtype float3
2: 'Tensor("b_1:0", shape=(2,), dtype=float32)'
這個運算中，因為b中數字帶有小數點，Python會將之自動識別成float，而a中變量會被識別成int，所以兩者類型不同，相加時會出現報錯，為了避免發生這種錯誤，可以在定義張量時指定張量的類型。
>>> a = tf.constant([1,2],name="a",dtype=tf.float32)
>>> b = tf.constant([1.0,2.0],name="b")
>>> result = a + b
>>> result
<tf.Tensor 'add_2:0' shape=(2,) dtype=float32>
會話
>>> sess = tf.Session()#創建會話
>>> sess.run(result)#運行result，獲取result的取值
array([ 2., 4.], dtype=float32)
>>> sess.close()#關閉會話，釋放資源
可以通過tf.Tensor.eval(session)函數來計算一個張量的取值，當指定了默認會話之后，可以直接通過tf.Tensor.eval()獲取張量的值。
>>> sess = tf.Session()
>>> result.eval(session=sess)
array([ 2., 4.], dtype=float32)
>>> sess = tf.Session()
>>> with sess.as_default():#將sess設定為默認會話
... print(result.eval())
...
[ 2. 4.]
TensorFlow中提供了一種直接構建默認會話的函數：
>>> sess = tf.InteractiveSession()
>>> print(result.eval())
[ 2. 4.]
>>> sess.close()
