【1-1】创建图、启动图、变量

#1.Tensorflow用图(graph)来表示计算任务，图中的节点被称之为operation(op);
#2.一个节点获得0个或多个张量tensor，执行计算，产生0个或多个张量；
#3.图必须在会话（Session）里被启动，会话（Session）将图中的op分发到CPU或GPU之类的设备上，
# 同时提供执行op的方法，这些方法执行后，将产生的张量（tensor）返回；

import tensorflow as tf

#创建一个常量tensor
m1 = tf.constant([[3,3]])
#创建一个常量tensor
m2 = tf.constant([[2],[3]])
#创建一个矩阵乘法op,把m1和m2传入
product = tf.matmul(m1,m2)
print(product)

>>Tensor("MatMul:0", shape=(1, 1), dtype=int32)

#定义一个会话，启动默认图
sess = tf.Session()
#调用sess的run方法来执行矩阵乘法op
#run(product)触发了图中3个op
result = sess.run(product)
print(result)
sess.close()

>>[[15]]

with tf.Session() as sess:
    #调用sess的run方法来执行矩阵乘法op
    #run(product)触发了图中3个op
    result = sess.run(product)
    print(result)

>>[[15]]

eg2.变量

import tensorflow as tf

#1.创建Tensors（变量）
#2.编写Tensors间的操作符op
#3.初始化Tensors
#4.创建Session
#5.运行Session

y_hat = tf.constant(36,name='y_hat')         #定义一个常量y_hot,值为36
y = tf.constant(39,name='y')                 #定义一个常量y,值为39

loss = tf.Variable((y-y_hat)**2,name='loss') #创建一个变量

init = tf.global_variables_initializer()     #当执行session.run(init)时，变量loss会被初始化并且做好了计算的准备

with tf.Session() as sess:                   #创建一个Session会话用于print输出
    sess.run(init)                           #初始化变量
    print(sess.run(loss))                    #运行Session会话并输出loss

x = tf.Variable([1,2])
a = tf.constant([3,3])
#增加一个减法op
sub = tf.subtract(x,a)
#添加一个加法op
add = tf.add(x,sub)
#初始化
init = tf.global_variables_initializer()
#定义一个会话
with tf.Session() as sess:
    sess.run(init)
    print(sess.run(sub))
    print(sess.run(add))

eg3.实现加一操作

#创建一个变量初始化为0
state = tf.Variable(0,name='counter')
#创建一个op,作用是使state加1
new_value = tf.add(state,1)
#赋值op
update = tf.assign(state,new_value)
#变量初始化
init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    print(sess.run(state))
    #循环5次
    for _ in range(5):    #循环5次
        sess.run(update)
        print(sess.run(state))

0
1
2
3
4
5

eg4.Fetch and Feed

import tensorflow as tf

#Fetch同时运行多个op
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)
#定义一个会话
with tf.Session() as sess:
    result = sess.run([mul,add])   #sess.run(fetches)
    print(result)

#Feed
#创建占位符，即placeholder对象
input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)
output = tf.multiply(input1,input2)

with tf.Session() as sess:
    #feed的数据以字典的形式传入
    print(sess.run(output,feed_dict={input1:7.0,input2:3.0}))  #Shift+Tab快捷键

---

def sigmoid(z):
    
    #创建一个placeholder对象
    x = tf.placeholder(tf.float32,name='x')
    
    #利用tf的sigmoid()函数计算sigmoid
    sigmoid = tf.sigmoid(x)
    
    #创建Session并运行
    #通过feed_dict把z的值传给x
    with tf.Session() as sess:
        result = sess.run(sigmoid,feed_dict={x:z})  #调用的时候通过feed_dict把值传入（字典形式）
    return result

---

#分别使用feeds和fetches来填充数据和抓取任意的操作结果
import tensorflow as tf
import numpy as np

#用numpy随机生成100个数据
x_data = np.float32(np.random.rand(2,100))     #2*100
y_data = np.dot([0.100,0.200],x_data) + 0.300  #点乘1*100

#构建一个线性模型
b = tf.Variable(tf.zeros([1]))                    #偏置值初始化0
W = tf.Variable(tf.random_uniform([1,2],-1.0,1.0))#权值1*2
y = tf.matmul(W,x_data) + b                       #矩阵乘法

#最小化方差
loss = tf.reduce_mean(tf.square(y-y_data))        #二次代价函数
optimizer = tf.train.GradientDescentOptimizer(0.5)#梯度下降法
train = optimizer.minimize(loss)                  #使loss值最小

#初始化变量
init = tf.initialize_all_variables()

#启动图（graph）
sess = tf.Session()
sess.run(init)

#拟合平面
for step in range(0,201):
    sess.run(train)
    if step % 20 ==0:
        print(step,sess.run(W),sess.run(b))
>>>
0 [[ 0.02679617  0.70638967]] [ 0.14400235]
20 [[ 0.09697476  0.33242896]] [ 0.23280086]
40 [[ 0.10429206  0.23750198]] [ 0.27829513]
60 [[ 0.10234147  0.21088448]] [ 0.29313114]
80 [[ 0.10091921  0.20321539]] [ 0.29785267]
100 [[ 0.10032131  0.20096155]] [ 0.29933372]
120 [[ 0.10010624  0.20028993]] [ 0.29979423]
140 [[ 0.10003407  0.2000879 ]] [ 0.29993665]
160 [[ 0.10001072  0.20002674]] [ 0.29998055]
180 [[ 0.10000334  0.20000815]] [ 0.29999405]
200 [[ 0.10000104  0.20000252]] [ 0.29999816]

 2019-05-30 10:24:15