在之前的文章中介绍过，tensorflow框架的核心是将各式各样的神经网络抽象为一个有向无环图，图是由tensor以及tensor变换构成；

虽然现在有很多高阶API可以让开发者忽略这层抽象，但对于灵活度要求比较高的算法仍然需要开发者自定义网络图，所以建议开发者尽量先学习tf1.x中的基础概念，这样才能在深度学习道路上走得更远；

首先来看定义图时最常用的算子：

1. 常量定义

 tf.constant()

2. 变量的定义

tf.Variable tf.get_variable

前者是调用构造方法创建一个新的对象，并且不能被复用 后者通过设置reuse=tf.AUTO_REUSE，优先看当前scope下面是否有符合要求的变量，有则返回这个值，没有则创建新的对象； 设置为tf.reuse=True,会抛异常，可能与版本有关系

3. 相同维度的张量，进行对应元素的加减乘除操作

tf.addtf.subtracttf.multiplytf.div

以上几个算子都支持广播，具体广播原则后面的文章中介绍

4. 矩阵的点积与转置

tf.matmultf.transpose

除了以上最基本算子之外，工程实践中常用的几个算子如下：

5. 维度变换算子

tf.reshape()

6. 维度增减算子

tf.expand_dimstf.squeeze

7. 生成符合正态分布的tensor

tf.random.normal

8. 某一维度求和

tf.reduce_sum

9. 将python中的列表或者ndarray对象转为tensor

tf.convert_to_tensor

在定义图的时候，尽量不要用+、-、*、/等符号，也尽量不要用math或者ndarray包下面的计算函数，而是应该使用tensorflow提供的计算函数，tf提供的函数还是十分全面的，即便某些比较复杂的函数没有提供，也应该用其提供的基础函数来实现。

想更进一步了解以上算子的使用DEMO可以关注并私信我；