1. 初识tensorflow
- tensorflow中需要明白的几点：
- 使用tensor表示数据
- 使用图来表示计算任务
- 在会话中执行图
图
- tensorflow中的程序分成了构建阶段和执行阶段，构建阶段，在图中定义OP。执行阶段，在会话中执行图中的OP。
import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
node1 = tf.constant(3.9)
node2 = tf.constant(4.0)print(node1, node2)
print(node1, node2)
并没有显示node1和node2的值，输出的结果为
Tensor("Const_2:0", shape=(), dtype=float32)
Tensor("Const_3:0", shape=(), dtype=float32)
Tensorflow Python库中有一个默认的图，op构造器可以为图中添加节点。
matrix1 = tf.constant([[3, 3]])
matrix2 = tf.constant([[2],[2]])
c = tf.matmul(matrix1, matrix2)
print(tf.get_default_graph(), matrix1.graph, matrix2.graph)
输出结果为：
<tensorflow.python.framework.ops.Graph object at 0x0000000004B72748>
<tensorflow.python.framework.ops.Graph object at 0x0000000004B72748>
<tensorflow.python.framework.ops.Graph object at 0x0000000004B72748>
在会话中启动图
创建一个Session()对象，调用Session的run()方法来执行图中的op
sess = tf.Session()
result = sess.run(c)
print(result)
sess.close()
输出的结果为，两个矩阵相乘的结果：
[[12]]
feed操作
- 在程序执行的时候，不确定输入的是什么，提前“占个坑”。比如，在训练神经网络的时，具体的权重参数不确定，就可以用feed操作。
- 标记方法：tf.placeholder()
input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)
output = tf.add(input1, input2)
with tf.Session() as sess:
print(sess.run([output], feed_dict={input1:10.0, input2:20.0}))
输出结果为：
[30.0]
tensorflow实现一个加法
# 定义tensor
a = tf.constant(5.0)
b = tf.constant(6.0)
sum1 = tf.add(a, b)
# 开启上下文管理器，避免了关闭sess.close()的操作
with tf.Session() as sess:
print(sess.run(sum1))
