import tensorflow as tf ''' TensorFlow分为前端系统和后端系统 前端系统：定义程序的图和结构，即各类语言通过API接口写的程序 后端系统：运算图的结果 会话：即连接前后端的中间者，起到调度资源的效果 运行图结构 分配计算资源 掌握资源（队列，线程，变量的资源） ''' a = tf.constant(5.0) b = tf.constant(6.0) # 用run方法打印sum2的时候会报错，因为不是op型，但是如果一部分数据是op型的，那会进行强制转化进行运算，run方法打印sum3时就不会报错 var1 = 2.0 var2 = 4.0 sum2 = var1 + var2 sum3 = var1 + a # 定义一张图 graph = tf.get_default_graph() # 不使用上下文启动会话，也可以用这种方式 s = tf.Session() # run运行图结构 print(s.run(sum3)) # 运行完成后需要释放资源，因此使用上下文管理器，程序运行完成后自动调用loss s.close() # 训练模型 # 实时的提供数据去进行训练，placeholder，feed_dict配合使用 # float32指定数据类型，[2, 3]指定数据格式是两行三列的数据，None表示样本数不固定 plt = tf.placeholder(tf.float32, [None, 3]) # 在终端进入python，启动交互环境，tf.InteractiveSession()，可以用a.eval()直接查看a的值，在会话的上下文环境也可以直接调用a.eval() # 只能运行一个图结构，可以在会话当中指定图， with tf.Session(graph = graph) as sess: # feed_dict参数允许调用者覆盖图中指定张量的值，提供给placeholder（占位符的作用）使用 print(sess.run(plt, feed_dict={plt:[[1, 3, 4], [4, 5, 6]]})) print(sum3.eval()) # sess.run([a, b, sum1], feed_dict=None)