1.张量和操作
tensorflow对张量的操作实际上和numpy差不多，不够有所差距，numpy的数据可以随时被修改，但是tensorflow的数据要分情况。
(1).使用tf.Constant()
a = tf.Constant([[1,2,3],[4,5,6]])
这个矩阵就是2*3的矩阵，但是它无法被修改，只能读取。
除了不能修改，其实和numpy的使用方法
比如查看它的大小也可以用：a.shape
索引方式也一样，这里不做过得描述
(2).tensorflow提供的数据操作函数
比如加法: a + 10 可以使用函数 tf.add(a, 10);
矩阵的乘法为tf.matmul()，它提供的函数和numpy都差不多，但是有些不一样，比如求和.tf.reduce_sum(),求均值为tf.reduce_mean(),求最大值tf.reduce_max();
numpy也可以用于tensorflow中，转换为张量。
(3)类型转换
tensorflow中有个很麻烦的东西，整形+浮点型会失败，float32和float64相加也会失败，它不会自动执行类型转换，需要你手动操作。
tf.cast()可以用来进行转换，比如把a转为float64类型的
tf.cast(a, tf.float64)
(4).变量
tf.Constant无法被改变，固定好深度学习的参数后，可以使用这个类型的变量，但是如果需要对它进行训练，则必须要使用tf.Variable
我们对tf.Variable的修改也需要使用特定的函数assign
a[0,0].assign(10)
这样a的第一个值就变为了10，这个就相当于a[0,0] = 10
麻烦就是这个啦，必须通过相应的函数来操作；
(5).其他数据结构
tensorflow还有其他数据结构，比如稀疏张量(tf.SparseTensor)，张量数组(tf.TensorArrray)，不规则张量(tf.RaggedTensor)，字符串张量(tf.string)等等
2.定制模型和算法
1.自定义损失函数
比如自定义一个Huber
def huber_fn(y_true, y_pred):
error = tf.abs(y_true - y_pred);
is_small_error = tf.abs(error) < 1#门限设置为1
squared_loss = tf.abs(error)-0.5
return tf.where(is_small_error, squared_loss, linear_loss)
可以在Keras模型中使用这个函数
model.compile(loss=huber_fn, opitimizer= 'adam');
2.保存和加载自定义组件的模型
keras会保存函数的名字，每次加载的适合需要提供一个字典，将函数名称映射到实际函数。一般而言，当加载包含自定义对象的模式时，需要将名称映射到对象。
model = keras.models.load_model("model.h5", custom_objects = {'huber_fn':huber_fn})
如果需要更为灵活的函数，设定上面函数的阈值，不仅仅等于1
def more_freedom_huber(limit = 1.0):
def huber_fn(y_true, y_pred):
error = tf.abs(y_true - y_pred);
is_small_error = tf.abs(error) < 1#门限设置为1
squared_loss = tf.abs(error)-0.5
return tf.where(is_small_error, squared_loss, linear_loss)
return huber_fn
model = keras.models.load_model("model.h5", custom_objects = {'huber_fn':more_freedom_huber(2.0)})
还可以通过继承keras.losses.Loss类的子类，然后实现get_config()方法来解决问题
比如自定义激活函数，初始化方法，正则化和约束。
如果函数需要和模型一起保存，必须继承相应的对象，比如keras.regularizers.Regularizer,