自己开发了一个股票智能分析软件，功能很强大，需要的点击下面的链接获取：
https://www.cnblogs.com/bclshuai/p/11380657.html
1.1 常量constant
1.1.1 常量的声明
值不能改变的张量。创建通过constant来实现, constant()是一个函数，提供在tensorflow中定义常量(不可更改的张量)的方法。
tf.constant(
value,//值列表，多个值用[]包括，逗号分开，按照shape指定的形状去生成，列表中的值数量等于shape（例如2*3）定义的大小，否则tensorflow2.3会报错。
dtype=None,.//定义常量的数据类型
shape=None,//如果要设置行列，可以用[2,3]设置，表示2行3列
name='Const',//定义变量的名字
verify_shape=False// verify_shape默认为False，如果修改为True的话表示检查value的形状与shape是否相符，如果不符会报错。
)
1.1.2 常量的类型
（1）标量常量
t_1 = tf.constant(4)
（2）向量常量1行3列
t_2 = tf.constant([4,3,2])
（3）[M，N] 的零元素矩阵
M行N列的零元素矩阵，数据类型（dtype）可以是 int32、float32 等：
tf.zeros([M,N],tf.dtype)；
zero_t = tf.zeros([2,3],tf.int32) # Results in an 2x3 array of zeros:[[0 0 0],[0 0 0]]
（4）[M，N]元素均为 1 的矩阵
ones_t = tf.ones([2,3],tf.int32) # Results in an 2x3 array of ones:[[1 1 1],[1 1 1]]
（5）等差排布的序列
tf.linspace(start,stop,num)#起始值和总的数量
相应的值为 (stop-start)/(num-1)。例如：
range_t = tf.linspace(2.0,5.0,5)
#We get:[2. 2.75 3.5 4.25 5.]
从开始（默认值=0）生成一个数字序列，增量为 delta（默认值=1），直到终值（但不包括终值）：
tf.range(start,limit,delta)//起始值和增量
下面给出实例：
range_t = tf.range(10)
#Result:[0 1 2 3 4 5 6 7 8 9]
（6）形状为 [M，N] 的正态分布随机数组
t_random=tf.random_normal([M,N],mean=2.0,stdev=4,seed=12)
其中random_normal是随机数的类型，还有另外两种：截尾正太分布随机数组truncated_normal， M和N表示M行N列，mean表示随机数组中值的平均值，stddev表示随机值的标准差，seed表示随机种子。
（7）限定范围的随机正太分布数组
[minval（default=0），maxval] 范围内创建形状为 [M，N] 的给定伽马分布随机数组
t_random=tf.random_uniform([2,3],minval=1,maxval=4,seed=12)。
(8)从随机数组中裁剪出指定大小的数组，行列都要小于等于原矩阵
tf.random_crop(t_random,[2,2],seed=12)
1.1.3 常量的使用实例
import tensorflow as tf
# int型
a = tf.constant(1)
print(a)
# float型
b = tf.constant(1.)
print(b)
# double型
c = tf.constant(2.,dtype=tf.float64)
print(c)
# bool型
d = tf.constant([True,False])
print(d)
# string型
e = tf.constant('hello world')
print(e)
#向量
f=tf.constant([1,2,3])
print(f)
#矩阵
g=tf.constant([1,2,3,4,5,6],shape=[2,3])
print(g)
h=tf.constant(1,shape=[3,2])
print(h)
i=tf.compat.v1.constant([[1,2],[4,5]],shape=[2,2],verify_shape=False)
print(i)
#元素值都为0的矩阵zeros([M,N],tf.dtype)
zero_t = tf.zeros([2,3],tf.int32)
print(zero_t)
"""输出
tf.Tensor(
[[0 0 0]
[0 0 0]], shape=(2, 3), dtype=int32)
"""
#元素都为1的矩阵
one_t=tf.ones([3,2],tf.int32)
print(one_t)
"""输出
tf.Tensor(
[[1 1]
[1 1]
[1 1]], shape=(3, 2), dtype=int32)
"""
#等差分布的向量
range_t =tf.linspace(2.0, 5.0, 5)
print(range_t)#输出tf.Tensor([2. 2.75 3.5 4.25 5. ], shape=(5,), dtype=float32)
#形状为 [M，N] 的正态分布随机数组
t_randomnormal=tf.compat.v1.random_normal([4,4],mean=2.0,stddev=4,seed=12)
print(t_randomnormal)
"""输出
[[ 0.25347447 5.37991 1.9527606 -1.5376031 ]
[ 1.2588985 2.8478067 11.545206 -1.0216885 ]
[ 3.6549058 6.6507907 4.42358 1.4614596 ]
[ 1.4433938 1.7380679 -1.6191797 2.0041263 ]], shape=(4, 4), dtype=float32)
"""
#限定范围的随机正太分布数组
t_randomuniform=tf.compat.v1.random_uniform([2,2],minval=1,maxval=4,seed=12)
print(t_randomuniform)
"""输出
tf.Tensor(
[[2.9084575 3.7722745]
[3.028832 2.5063753]], shape=(2, 2), dtype=float32)
"""
#从大的数组中裁剪出出小的矩阵，行列都要小于等于大的矩阵
t_randomcrop=tf.compat.v1.random_crop(t_randomnormal,[2,3],seed=12)
print(t_randomcrop)
"""输出
tf.Tensor(
[[ 2.8478067 11.545206 -1.0216885]
[ 6.6507907 4.42358 1.4614596]], shape=(2, 3), dtype=float32)
""" 1.1.4 算术运算符运算
对于除法多说两句，Tensor有两种除法，一种是”/”，另一种是”//”。”/”是浮点除法，对应的是tf.truediv，而”//”是计算整除，对应tf.floordiv。
d01 = tf.constant(1)
d02 = tf.constant(2)
d_add = d01 + d02
print(d_add)#Tensor("add:0", shape=(), dtype=int32)
d_sub = d01 - d02
print(d_sub)#Tensor("sub:0", shape=(), dtype=int32)
d_mul = d01 * d02
print(d_mul)#Tensor("mul:0", shape=(), dtype=int32)
d_fdiv = d01 / d02#浮点数运算
print(d_fdiv)#Tensor("truediv:0", shape=(), dtype=float64)
d_idiv=d01//d02#整型运算
print(d_idiv)#Tensor("floordiv:0", shape=(), dtype=int32)
d_mod = d01 % d02
print(d_mod)#Tensor("mod:0", shape=(), dtype=int32)
d_minus = -d01
print(d_minus)#Tensor("Neg:0", shape=(), dtype=int32) 1.1.5 比较运算符运算
对于>, <, >=, <=等关系，都会生成一个需要Session来运算的Tensor对象。只有==是例外，它会立即返回这两个Tensor是否是同一对象的结果
d11 = d01 > d02
d12 = d01 < d02
d13 = d01 == d02
d14 = d01 >= d02
d15 = d01 <= d02
print(d11)#Tensor("Greater:0", shape=(), dtype=bool)
print(d12)#Tensor("Less:0", shape=(), dtype=bool)
print(d13)#False
print(d14)#Tensor("GreaterEqual:0", shape=(), dtype=bool)
print(d15)#Tensor("LessEqual:0", shape=(), dtype=bool) 1.1.6 数学运算
整形，一定要先转换成浮点型才能进行sqrt，sin等数学函数计算。
d31 = tf.constant(100, dtype=tf.float64)
d32 = tf.sqrt(d31)
print(ss.run(d32))#10.0