with tf.device("gpu:1"): 该语句用来指派特定的CPU或GPU执行操作；
变量是为了维护图执行过程中的状态信息；
当训练模型时，用变量来存储和更新参数，变量包含张量存放于内存的缓冲区，建模时需要被明确的初始化，模型训练后它们必须被存储到磁盘中；模型训练和分析时变量可被加载；
变量的初始化必须在模型的其他操作之前先明确的完成，最简单的方法就是添加一个给所有变量初始化的操作，并在使用模型之前首先运行那个操作；从模型中恢复变量时，不需要先对它们做初始化；
tf.initialize_all_variables() 初始化所有变量；也可以传入一组变量进行初始化；
initialized_value() 初始化一个变量；
变量作用域工作：
当调用tf.get_variable时，tf.get_variable_scope().reuse==False时，作用域是为创建新变量设置的；创建变量的全程将会由当前变量作用域+所提供的名字组成并检查；
当tf.get_variable_scope().reuse==True时，作用域就是为重置变量所设置，此时调用会搜索一个已经存在的变量，它的全称和当前变量的作用域名+所提供的名字相等；
在图（graph）中定义的操作是描绘的表达式的一部分，调用run执行表达式之前，并不会真正执行；
使用feed机制可以临时替代图中的任意操作中的tensor可以对图中任何操作提交补丁，直接插入一个tensor，但要使用tf.placeholder()为这些操作创建占位符；
为了减少过拟合，在输出层之前加入dropout，可以用一个placeholder来代表在dropout中保持不变的概率；
保存和恢复模型两种方式：
（1）使用tf.train.Saver()对象，构造器给图中的所有变量，或定义在列表里的变量（位于tf.train.Saver之后的变量不会被保存），添加save和restore ops，saver对象提供了方法来运行这些ops，定义检查点文件的读写路径；
存储和恢复部分变量：给tf.train.Saver()构造函数传入python字典，可定义需要保持的变量及对应名称：键对应使用的名称，值对应被管理的变量；
（2）生成图协议文件，二进制文件，扩展名为.pb，用tf.train.write_graph()保存，只包含图形结构，不包含权重，然后使用tf.import_graph_def()来加载图形；
检查点文件（checkpoint file）:可以用来后续恢复模型以进一步训练或评估；
队列和线程：
tf.FIFOQueue创建一个先入先出队列：enqueue_many()，enqueue()执行入队操作（以列表的的形式放入元素）；dequeue（）执行出队操作；
tf.RandomShuffleQueue创建一个随机队列（可以设置队列最大长度capacity，出队后最小长度min_after_dequeue）。出队列时以随机的顺序产生元素的（可以在CNN网络中随机产生一个训练样本）;
队列管理器QueueRunner可以创建进程，弊端是入队线程独自执行，在需要的出队操作完成之后，程序无法结束；
协调器tf.train.Coordinator实现线程间的同步，终止其他线程；