@tf_export("Tensor")
class Tensor(_TensorLike):def __init__(self, op, value_index, dtype):# 源节点，tensor的生产者，会计算得到tensorself._op = op
​# tensor在源节点的输出边集合中的索引。源节点可能会有多条输出边# 利用op和value_index即可唯一确定tensor。self._value_index = value_index
​# tensor中保存的数据的数据类型self._dtype = dtypes.as_dtype(dtype)
​# tensor的shape，可以得到张量的rank，维度等信息self._shape_val = tensor_shape.unknown_shape()
​# 目标节点列表，tensor的消费者，会使用该tensor来进行计算self._consumers = []
​#self._handle_data = Noneself._id = uid()
​

class Edge {private:Edge() {}
​friend class EdgeSetTest;friend class Graph;// 源节点, 边的数据就来源于源节点的计算。源节点是边的生产者Node* src_;
​// 目标节点，边的数据提供给目标节点进行计算。目标节点是边的消费者Node* dst_;
​// 边id，也就是边的标识符int id_;
​// 表示当前边为源节点的第src_output_条边。源节点可能会有多条输出边int src_output_;
​// 表示当前边为目标节点的第dst_input_条边。目标节点可能会有多条输入边。int dst_input_;
};
​

@tf_export("constant")
def constant(value, dtype=None, shape=None, name="Const", verify_shape=False):# 算子注册到默认Graph中g = ops.get_default_graph()# 对常量值value的处理tensor_value = attr_value_pb2.AttrValue()tensor_value.tensor.CopyFrom(tensor_util.make_tensor_proto(value, dtype=dtype, shape=shape, verify_shape=verify_shape))
​# 对常量值的类型dtype进行处理dtype_value = attr_value_pb2.AttrValue(type=tensor_value.tensor.dtype)
​# 构造并注册类型为“Const”的算子到Graph中，从算子的outputs中取出输出的tensor。const_tensor = g.create_op("Const", [], [dtype_value.type],attrs={"value": tensor_value,"dtype": dtype_value},name=name).outputs[0]return const_tensor
​

@tf_export("Variable")
class Variable(object):def __init__(self,initial_value=None,trainable=True,collections=None,validate_shape=True,caching_device=None,name=None,variable_def=None,dtype=None,expected_shape=None,import_scope=None,constraint=None):
# initial_value: 初始值，为一个tensor，或者可以被包装为tensor的值
# trainable：是否可以训练，如果为false，则训练时不会改变
# collections：变量要加入哪个集合中，有全局变量集合、本地变量集合、可训练变量集合等。默认加入全局变量集合中
# dtype：变量的类型
​

y = tf.Variable([5.3])
​
with tf.Session() as sess:initialization = tf.global_variables_initializer()print sess.run(y)
​

@tf_export("global_variables")
def global_variables(scope=None):return ops.get_collection(ops.GraphKeys.GLOBAL_VARIABLES, scope)

@tf_export("local_variables")
def local_variables(scope=None):return ops.get_collection(ops.GraphKeys.LOCAL_VARIABLES, scope)

@tf_export("trainable_variables")
def trainable_variables(scope=None):return ops.get_collection(ops.GraphKeys.TRAINABLE_VARIABLES, scope)