1、warm up，创建会话，打印变量
import tensorflow as tf
tf.compat.v1.disable_eager_execution()
welcome=tf.constant('Welcome to TensorFlow world!')
sess = tf.compat.v1.Session()
print(sess.run(welcome))
sess.close()
2、basic math operations 基本的数学运算
import tensorflow as tf
tf.compat.v1.disable_eager_execution()
# Defining some constant values
a=tf.constant(5.0,name="a")
b=tf.constant(10.0,name="b")
# Some basic operations
x=tf.add(a,b,name="add")
y=tf.truediv(a,b,name="divide")
# Run the session
with tf.compat.v1.Session() as sess:
print("a =",sess.run(a))
print("b =",sess.run(b))
print("a + b =",sess.run(x))
print("a/b =",sess.run(y))
结果：
a = 5.0
b = 10.0
a + b = 15.0
a/b = 0.5
# Closing the session.
sess.close()
3、MLP（多层感知机） 完整神经网络样例程序
import tensorflow as tf
tf.compat.v1.disable_eager_execution()
（1）前向传播过程
import tensorflow as tf
#声明w1、w2两个变量，通过seed参数设定了随机种子
w1=tf.Variable(tf.random.normal((2,3),stddev=1,seed=1))
w2=tf.Variable(tf.random.normal((3,1),stddev=1,seed=1))
#暂时将输入的特征向量定义为一个常量，x是一个1*2的矩阵。
x=tf.constant([[0.7],[0.9]])
#通过前向传播算法获得神经网络的输出
a = tf.matmul(tf.transpose(x), w1)
y=tf.matmul(a,w2)
sess = tf.compat.v1.Session()
sess.run(w1.initializer)
sess.run(w2.initializer)
print(sess.run(y))
输出：[[3.957578]]
sess.close()
当变量数目变多或者变量之间存在依赖关系时，单个调用方案就比较麻烦，tensorflow 提供了一种更加便捷的方式来完成变量初始化过程，通过tf.global_variables_initializer函数实现初始化所有变量的过程。
init_op=tf.global_variable_initializer()
sess.run(init_op)
变量的声明函数tf.Variable是一个运算，这个运算的结果是一个张量
批量训练的时候，sess.run(train_step)就可以对所有在GraphKeys.TRAINABLE_VARIABLES集合中的变量进行优化，使得当前batch下损失函数更小。
（2）完整的神经网络样例
import tensorflow.compat.v1 as tf
#NumPy是一个科学计算的工具包，通过NumPy工具包生成模拟数据集。
from numpy.random import RandomState
#定义训练数据batch的大小
batch_size=8
#声明w1、w2两个变量，通过seed参数设定了随机种子
w1=tf.Variable(tf.random.normal((2,3),stddev=1,seed=1))
w2=tf.Variable(tf.random.normal((3,1),stddev=1,seed=1))
#placeholder机制用于提供输入数据，相当于定义了一个位置，这个位置中的数据在程序运行时再指定。
x=tf.placeholder(tf.float32,shape=(None,2),name='x-input')
y_=tf.placeholder(tf.float32,shape=(None,1),name='y-input')
#通过前向传播算法获得神经网络的输出
a = tf.matmul(x, w1)
y=tf.matmul(a,w2)
#定义损失函数和反向传播算法
y=tf.sigmoid(y)
cross_entropy=-tf.reduce_mean(y_*tf.log(tf.clip_by_value(y,1e-10,1.0))+(1-y_)*tf.log(tf.clip_by_value(1-y,1e-10,1.0)))
train_step=tf.train.AdamOptimizer(0.001).minimize(cross_entropy)
#通过随机数生成一个模拟数据集
rdm=RandomState(1)
data_size=128
X=rdm.rand(data_size,2)
Y=[[int(x1+x2<1)] for (x1,x2) in X] #x1+x2<1的样例被认为是正样本
#创建一个会话来运行tensorflow程序
with tf.Session() as sess:
init_op=tf.global_variable_initializer()
sess.run(init_op)
print(sess.run(w1))
print(sess.run(w2))
#设定训练轮数
STEPS=5000
for i in range(STEPS):
start=(i*batch_size)%data_size
end=min(start+batch_size,data_size)
sess.run(train_step,feed_dict={x:X[start,end],y:Y[start,end]})
if i%1000==0:
#每隔一段时间计算在所有数据上的交叉熵并输出
total_cross_entropy=sess.run(cross_entropy,feed_dict={x:X,y:Y})
print("After %d training step(s),cross entropy on all data is %g"%(i,total_cross_entropy)
print(sess.run(w1))
print(sess.run(w2))
