在TensorFlow中，所有的操作只有当你执行，或者另一个操作依赖于它的输出时才会运行。
运行op
构建图时不需要显示声明变量名，如
tf.concat(axis=1, values=initial_state, name="initial_state")直接使用图中的name就可以运行了。
initial_state = sess.run(fetches="lstm/initial_state:0", feed_dict={"case_feed:0": case_feature})
TensorFlow会自动生成一个默认的计算图，如果没有特殊指定，运算会自动加入这个计算图中。TensorFlow中的会话也有类似的机制，但是TensorFlow不会自动生成默认的会话，而是需要手动指定。
tf.Session()创建一个会话，当上下文管理器退出时会话关闭和资源释放自动完成。
tf.Session().as_default()创建一个默认会话，当上下文管理器退出时会话没有关闭，还可以通过调用会话进行run()和eval()操作。
import tensorflow as tf a = tf.constant([[3, 2, 7], [2, 9, 8]]) print(a) with tf.Session() as sess: print(sess.run(a)) # print(a.eval()) #或者这样输出：
Tensor("Const:0", shape=(2, 3), dtype=int32) [[3 2 7] [2 9 8]]
Note: 直接print只会打印tensor信息，是没有数值的。参考[Tensorflow：输入输出]
import tensorflow as tf a = tf.constant(1.0) b = tf.constant(2.0) with tf.Session().as_default() as sess: print(a.eval()) print(b.eval(session=sess)) 1.0 2.0
-柚子皮-
tf.string类型
tf.string 张量可以保存不同长度的字节串，因为字节串被视为原子单位。字符串长度不包括在张量尺寸中。即不管用py2还是py3，tf中的str都是bytes类型，有编码的。
编码转换参考[TensorFlow支持Unicode，中文NLP终于省心了]
不过建议还是直接用bytes，不要变成unicode了，在tf内部还是会转成bytes。
其它数据类型及转换参考：
[TensorFlow 数据类型转换]
from: -柚子皮-
ref:
