操作
TensorFlow 为我们提供了许多可以应用于 Tensors 的操作。通过传递值并将输出分配给另一个张量来定义操作。例如，在提供的 Jupyter Notebook 文件中，我们定义了两个操作，op1和op2：
op1 = tf.add(c2,c3)
op2 = tf.multiply(c2,c3)
当我们打印op1和op2时，我们发现它们被定义为张量：
print('op1 : ', op1)
print('op2 : ', op2)
输出如下：
op1 : Tensor("Add:0", shape=(), dtype=float32)
op2 : Tensor("Mul:0", shape=(), dtype=float32)
要打印这些操作的值，我们必须在 TensorFlow 会话中运行它们：
print('run(op1) : ', tfs.run(op1))
print('run(op2) : ', tfs.run(op2))
输出如下：
run(op1) : 13.0
run(op2) : 42.0
下表列出了一些内置操作：
| 操作类型 | 操作 |
|---|---|
| 算术运算 | tf.add，tf.subtract，tf.multiply，tf.scalar_mul，tf.div，tf.divide，tf.truediv ， tf.floordiv ， tf.realdiv ， tf.truncatediv ， tf.floor_div ， tf.truncatemod ， tf.floormod ， tf.mod ， tf.cross |
| 基本的数学运算 | tf.add_n，tf.abs，tf.negative，tf.sign，tf.reciprocal，tf.square，tf.round ， tf.sqrt ， tf.rsqrt ， tf.pow ， tf.exp ， tf.expm1 ， tf.log ， tf.log1p ， tf.ceil ， tf.floor ， tf.maximum ， tf.minimum ， tf.cos ， tf.sin ， tf.lbeta ， tf.tan ， tf.acos ， tf.asin ， tf.atan ， tf.lgamma ， tf.digamma ， tf.erf ， tf.erfc ， tf.igamma， tf.squared_difference ， tf.igammac，tf.zeta，tf.polygamma，tf.betainc，tf.rint |
| 矩阵数学运算 | tf.diag，tf.diag_part，tf.trace，tf.transpose，tf.eye，tf.matrix_diag，tf.matrix_diag_part，tf.matrix_band_part，tf.matrix_set_diag，tf.matrix_transpose，tf.matmul，tf.norm，tf.matrix_determinant ]，tf.matrix_inverse，tf.cholesky，tf.cholesky_solve，tf.matrix_solve，tf.matrix_triangular_solve，tf.matrix_solve_ls，tf.qr, tf.self_adjoint_eig，tf.self_adjoint_eigvals，tf.svd |
| 张量数学运算 | tf.tensordot |
| 复数运算 | tf.complex，tf.conj，tf.imag，tf.real |
| 字符串操作 | tf.string_to_hash_bucket_fast，tf.string_to_hash_bucket_strong，tf.as_string，tf.encode_base64，tf.decode_base64，tf.reduce_join，tf.string_join，tf.string_split，tf.substr，tf.string_to_hash_bucket |