import
import tensorflow as tf
导入 Tensorflow 模块，并用 tf 做别名。
from tensorflow.examples.tutorials.mnist import input_data
tensorflow.examples.tutorials.mnist
其中 tensorflow.examples.tutorials.mnist 是个什么鬼？我在命令行运行了一下上面这条命令，结果显示 input_data 内容如下：
>>> input_data
<module 'tensorflow.examples.tutorials.mnist.input_data' from 'C:\\Users\\xuyeping\\Anaconda3\\lib\\site-packages\\tensorflow\\examples\\tutorials\\mnist\\input_data.py'>
打开我的电脑，按照给定路径查一下文件所在位置，截图如下：
python 每个模块都对应一个文件夹，每个文件夹，包括路径的中间节点文件夹，里面都有一个 __init__.py 文件，这个是做初始化的。这个 input_data.py 是其中一个模块文件，内容如下：
...
from tensorflow.contrib.learn.python.learn.datasets.mnist import read_data_sets
...
在这个里面导入了模块 read_data_sets，我们看看这个模块在哪里，里面有些什么。
...
def read_data_sets(train_dir,fake_data=False,one_hot=False,dtype=dtypes.float32,reshape=True,validation_size=5000,seed=None,source_url=DEFAULT_SOURCE_URL):... ...return base.Datasets(train=train, validation=validation, test=test)
...
import pylab
在 python 命令行里输入下面的内容：
>>> import pylab
>>> pylab
<module 'pylab' from 'C:\\Users\\xuyeping\\Anaconda3\\lib\\site-packages\\pylab.py'>
打开 pylab.py 程序，内容很简单，只是简单地导入了matplotlib.pylab：
from matplotlib.pylab import *
import matplotlib.pylab
__doc__ = matplotlib.pylab.__doc__
__doc__ 提供了详细的说明，下面展示一部分：
>>> print(pylab.__doc__)This is a procedural interface to the matplotlib object-oriented
plotting library.The following plotting commands are provided; the majority have
MATLAB |reg| [*]_ analogs and similar arguments... |reg| unicode:: 0xAE_Plotting commandsacorr - plot the autocorrelation functionannotate - annotate something in the figurearrow - add an arrow to the axesaxes - Create a new axesaxhline - draw a horizontal line across axesaxvline - draw a vertical line across axesaxhspan - draw a horizontal bar across axesaxvspan - draw a vertical bar across axes... ...
tf.reset_default_graph()
如下是官网对tf.reset_default_graph()函数描述的翻译：
tf.reset_default_graph 函数用于清除默认图形堆栈并重置全局默认图形。
注意：默认图形是当前线程的一个属性。该 f.reset_default_graph 函数只适用于当前线程。当一个 tf.Session 或者 tf.InteractiveSession 激活时调用这个函数会导致未定义的行为。调用此函数后使用任何以前创建的 tf.Operation 或 tf.Tensor 对象将导致未定义的行为。
Tensorflow 把网络模型保存成图（Graph）的形式，我们可以在 Python 中定义这个图的结构。
tf.placeholder
先看代码：
x = tf.placeholder(tf.float32, [None, 784])
y = tf.placeholder(tf.float32, [None, 10])
在 Python 命令行窗口用 help 命令看一下 tf.placeholder 的位置：
>>> help(tf.placeholder)
Help on function placeholder in module tensorflow.python.ops.array_ops:placeholder(dtype, shape=None, name=None)Inserts a placeholder for a tensor that will be always fed.**Important**: This tensor will produce an error if evaluated. Its value mustbe fed using the `feed_dict` optional argument to `Session.run()`,`Tensor.eval()`, or `Operation.run()`.For example:```pythonx = tf.placeholder(tf.float32, shape=(1024, 1024))y = tf.matmul(x, x)with tf.Session() as sess:print(sess.run(y)) # ERROR: will fail because x was not fed.rand_array = np.random.rand(1024, 1024)print(sess.run(y, feed_dict={x: rand_array})) # Will succeed.```@compatibility(eager)Placeholders are not compatible with eager execution.@end_compatibilityArgs:dtype: The type of elements in the tensor to be fed.shape: The shape of the tensor to be fed (optional). If the shape is notspecified, you can feed a tensor of any shape.name: A name for the operation (optional).Returns:A `Tensor` that may be used as a handle for feeding a value, but notevaluated directly.Raises:RuntimeError: if eager execution is enabled
tf.placeholder 是一个函数，定义如下：
tf.placeholder(dtype, shape = None, name = None)
参数：
- dtype：数据类型。常用的是tf.float32,tf.float64等数值类型。
- shape：数据形状。默认是None，就是一维值，也可以是多维（比如[2,3], [None, 3]表示列是3，行不定）。
- name：名称。
返回值：
- 按照 help 提供的说明，返回值是一个 Tensor，即返回一个张量。
tf.Variable
先看代码：
W = tf.Variable(tf.random_normal([784, 10]))
b = tf.Variable(tf.zeros([10]))
tf.Variable 是个什么东西？在 Python 命令行窗口里打印一下看看：
>>> tf.Variable
<class 'tensorflow.python.ops.variables.Variable'>
打开文件夹：
打开 variable.py, 可看到类 Variable 定义：
class Variable(six.with_metaclass(VariableMetaclass, checkpointable.CheckpointableBase)):
...
很有意思， placeholder 是个函数，定义了网络的节点，网络的连接权重用一个类 Variable 来定义。注意，函数名以小写字母开头，类名以大写字母开头。
… … 待续