TensorFlow常用基本操作

会话(session):会话拥有并管理Tensorflow程序运行时的所有资源，计算之后需关闭会话回收资源

import tensorflow.compat.v1 as tf

#定义计算图
tens=tf.constant([1,2,4])
#创建一个会话
sess=tf.Session()
# 使用这个创建好的会话来得到关心的结果，如调用的sess.run(tens1),得到张量tensl的取值
print(sess.run(tens))
# 关闭会话使释放本次运行中使用的资源
sess.close()

import tensorflow.compat.v1 as tf
#constant:定义常量
node1=tf.constant(3.0,tf.float32,name="node1")
node2=tf.constant(4.0,tf.float32,name="node2")

result=tf.add(node1,node2)
#创建一个会话，通过Python的上下文管理器来管理
with tf.Session() as sess:
    # 使用创建好的会话来计算结果
    print(sess.run(result))

# 不需要再调用sess.close()来关闭会话
#上下文退出时自动关闭

 当python不生成默认对话，需要手动指定，可通过tf.Tensor.eval()计算值

import tensorflow.compat.v1 as tf
import numpy as np

node1=tf.constant(3.0,tf.float32,name="node1")
node2=tf.constant(4.0,tf.float32,name="node2")

result=tf.add(node1,node2)
#当python不生成默认对话，需要手动指定，可通过tf.Tensor.eval()计算值
sess=tf.Session()     #sess=tf.InteractiveSession()  print(result.eval())    sess.close() 等价
# with sess.as_default():
#     # 使用创建好的会话来计算结果
#     print(result.eval())
print(sess.run(result))
print(result.eval(session=sess))
# 不需要再调用sess.close()来关闭会话
#上下文退出时自动关闭x

变量：Variable

在运行过程中值会改变的单元，在Tensorflow中必须进行初始化操作创建语句：

name_variable=tf.Variable(value,name)

个别变量初始化：init_op=name_variable.initializer()

所有变量初始化：init_op=tf.global_variables_initializer()

　　　　　　　　sess.run(init_op)　　#调用会话run命令对参数进行初始化

计算1+2+...+10

import tensorflow.compat.v1 as tf

x=tf.Variable(0)
y=tf.Variable(0)
t=tf.constant(1)

new_x=tf.add(x,t)
update_x=tf.assign(x,new_x)
new_y=tf.add(y,x)
update_y=tf.assign(y,new_y)
#变量更新

init=tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    for i in range(10):
        sess.run(update_x)
        
        print(sess.run(update_y))

占位符：placeholder

在定义时并不知道其数值，只有当真正运行程序时，才由外部输入，如训练数据

tf.placeholder先定义一种数据，其参数为数据的Type和Shape

tf.placeholder(dtype,shape=None,name=None)

Feed提交数据：

placeholder占用的变量必须通过feed_dict参数传递进去

import tensorflow.compat.v1 as tf

a=tf.placeholder(tf.float32)
b=tf.placeholder(tf.float32)
c=tf.multiply(a,b)

with tf.Session() as sess:
    result=sess.run(c,feed_dict={a:0.5,b:8.0})
    print(result)

tf.assign(A, B)函数的作用是把B的值赋值给A