Tensorflow学习：（一）tensorflow框架基本概念

一、Tensorflow基本概念

　　1、使用图（graphs）来表示计算任务，用于搭建神经网络的计算过程，但其只搭建网络，不计算

　　2、在被称之为会话（Session）的上下文（context）中执行图

　　3、使用张量（tensor）表示数据，用“阶”表示张量的维度。关于这一点需要展开一下

             0阶张量称为标量，表示单独的一个数

            1阶张量称为向量， 表示一个一维数组

            2阶张量称为矩阵，表示一个二维数组

            ……

            张量是几阶的可以通过张量右边的方括号数来判断。例如 t = [ [ [    ] ] ]，显然这个为3阶。

　　4、通过变量（Variable）维护状态

　　5、使用feed和fetch可以为任意的操作赋值或者从其中获取数据

　　Tensorflow是一个编程系统，使用图（graphs）来表示计算任务，图（graphs）中的节点称之为op（operation），一个op获得0个或者多个Tensor，执行计算，产生0个或多个Tensor，Tensor看作是一个n维的数组或列表。图必须在会话（Session）里被启动。

二、tensorflow基本框架知识

# -*- coding: utf-8 -*-

import tensorflow as tf

print("
----会话----")
m1 = tf.constant([[3, 3]])#一行两列的矩阵，这里是矩阵乘法，所以是二维数组，注意书写格式以及矩阵乘法规则
m2 = tf.constant([[2], [3]])#两行一列的矩阵

product = tf.matmul(m1, m2)# 创建一个矩阵乘法(matmul)的op
print(product)

# sess = tf.Session()
# result = sess.run(product)
# print(result)
# sess.close()

with tf.Session() as sess:
    result = sess.run(product)
    print(result)

print("
----变量----")
x = tf.Variable([1, 2])# 定义一个变量，这里是张量的加减法，所以一维数组即可
a = tf.constant([3, 3])# 定义一个常量
sub = tf.subtract(x, a)# 增加一个减法op
add = tf.add(x, sub)# 增加一个加法op
init = tf.global_variables_initializer()
# 在tensorflow中使用变量要初始化，此条语句也可以初始化多个变量，这句代码提示没有(),多加练习
with tf.Session() as sess:
    sess.run(init)
    print(sess.run(sub))
    print(sess.run(add))

a = tf.Variable(0, name='counter')# 创建一个变量初始化为0，并命名为counter。（此段代码中命名无作用）
add = tf.add(a, 1)
update = tf.assign(a, add) # 赋值
init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    for i in range(5):
        print(sess.run(update))

print("
----Fetch----")
#sess.run([fetch1,fetch2]) 进行多个op，注意格式
input1 = tf.constant(3.0)
input2 = tf.constant(2.0)
input3 = tf.constant(5.0)

add = tf.add(input2,input3)
mul = tf.multiply(input1, add)
with tf.Session() as sess:
    result = sess.run([mul, add])
    print(result)

print("
----placeholder占位----")
a1 = tf.placeholder(tf.float32)
a2 = tf.placeholder(tf.float32)
output = tf.multiply(a1, a2)
with tf.Session() as sess:
    print(sess.run(output,feed_dict={a1:8.0, a2:2.0}))