数据流图有两大组成部分：
- Tensor对象
- Op对象
这二者的特性都是不可变的(immutable),在数据流图中对于普通Tensor来说，经过一次Op操作之后，就会转化为另一个Tensor。当前一个Tensor的使命完成之后就会被系统回收。
但在机器学习任务中，某些参数(eg:模型参数)可能需要长期保存，他们的值还需要不断迭代更新，也就是，它必须是可变的。
为了处理这个问题，所以就有了变量(Variable)
Variable是一个常驻内存，不会被轻易回收的Tensor。
Variable对象通过tf.Variable()即可完成
import tensorflow as tf
my_state = tf.Variable(0, name = "counter") #创建一个Op变量my_state，并初始化为0
one = tf.constant(1) #创建一个Op常量赋值为1
new_value = tf.add(my_state, one)
update = tf.assign(my_state, new_value) #通过assign()函数，将new_value的值赋给my_state.
init_Op = tf.global_variables_initializer() #tf.global_variables_initializer()会返回一个操作，初始化计算图中所有Variable对象
#------------------------------------------------
#以上部分为数据流图的构想，只有在构建会话Session()之后，构想才给予实施。
with tf.Session() as sess:
sess.run(init_Op) #初始化操作
print(sess.run(my_state))
for _ in range(3): #下划线变量"_" 可理解为“垃圾箱变量”
sess.run(update)
print(sess.run(my_state))
0
1
2
3
