本文已参与「新人创作礼」活动，一起开启掘金创作之路。

引言

$TesorFlow$ = $Tensor$ (张量，多维数组) + $Flow$ (流，张量之间通过计算而转换的过程)

从功能角度，张量可以简单理解为多维数组，张量并没有真正保存数字，它保存的是计算过程。

零阶张量表示标量（scalar），也就是一个数
一阶张量表示向量（vector），也就是一维数组
n 阶张量可以理解成一个n维数组

$TensorFlow$ 是一个通过计算图的形式表述计算的编程系统。

每一个计算都是计算图上的节点
节点之间的边描述了计算之间的关系计算图是一个有向图，由以下内容构成
一组节点，每个节点都代表一个操作，是一种运算
一组有向边，每条边代表节点之间的关系（数据传递和控制依赖）

首先简单回顾一下 $Tensorflow$ 的关键点，在 $TensorFlow$ 中，所有的数据都通过张量的形式来表示从功能的角度，张量可以简单理解为多维数组。 $TensorFlow$ 中最基本的单位是常量（Constant）、变量（Variable），和占位符（Placeholder）。
简而言之常量与变量的区别：常量在定义后，常量的值和维度不可变。变量被定义后，变量的值可变，但是维度不可变。在神经网络中，变量一般可用来保存训练参数，作为储存权重和其他信息的矩阵，而常量可作为储存超参数或其他结构信息的变量。

下面将主要介绍 $TensorFlow$ 中的常量与变量的创建。

1. 常量：

在 $TensorFlow$ 框架中，常常使用constant来定义一个常量，用Variable来定义变量。

在运行过程中值不会改变的单元，在TensorFlow中无须进行初始化操作创建语句：constant_name = tf.constant(value)

2. 变量：

在运行过程中值会改变的单元，在TensorFlow中须进行初始化操作创建语句：name_variable = tf.Variable(value, name)

具体使用语法如下所示：

个别变量初始化：init_op = name_variable.initializer()

所有变量初始化：init_op = tf.global_variables_initializer()

import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()     # 解决方案：注释tf的引用，换为兼容模式。
node1 = tf.Variable(3.0, tf.float32, name='node1')
node2 = tf.Variable(4.0, tf.float32, name='node2')
result = tf.add(node1, node2)

sess = tf.Session()

# 变量初始化/所有变量初始化
init = tf.global_variables_initializer()
sess.run(init)  # 必须执行一遍，才算初始化

print(sess.run(result))

3. 变量赋值：

与传统编程语言不同，TensorFlow中的变量定义后，一般无需人工赋值，系统会根据算法模型，训练优化过程中自动调整变量对应的数值。

后面再机器学习模型训练时会更能体会，比如权重Weight变量w，经过多次迭代，会自动调整。

特殊情况需要人工更新的，可用变量赋值语句：update_op = tf.assign(variable_to_be_updated, new_value)

# 变量赋值运算
value = tf.Variable(0, name = "value")
one = tf.constant(1)
new_value = tf.add(value, one)
update_value = tf.assign(value, new_value)  # tf.assign把new_value的值赋给value

init1 = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init1)
    for i in range(10):
        sess.run(update_value)
        print(sess.run(value))

TensorFlow框架语法-常量与变量

引言

1. 常量：

2. 变量：

3. 变量赋值：