tensorflow基础

import tensorflow as tf
a = 3
# Create a variable.
w = tf.Variable([[0.5,1.0]])
x = tf.Variable([[2.0],[1.0]]) 

y = tf.matmul(w, x) #Tensor("MatMul:0", shape=(1, 1), dtype=float32) 


#variables have to be explicitly initialized before you can run Ops
init_op = tf.global_variables_initializer()#全局变量初始化
with tf.Session() as sess:
    sess.run(init_op)
    print(y.eval())#打印y的值   [[2.]]

# tensorflow中尽量用float32格式，不要用别的，这样会减少错误
tf.zeros([3, 4], int32) ==> [[0, 0, 0, 0], [0, 0, 0, 0], [0, 0, 0, 0]]

# 'tensor' is [[1, 2, 3], [4, 5, 6]]
tf.zeros_like(tensor) ==> [[0, 0, 0], [0, 0, 0]]
tf.ones([2, 3], int32) ==> [[1, 1, 1], [1, 1, 1]]

# 'tensor' is [[1, 2, 3], [4, 5, 6]]
tf.ones_like(tensor) ==> [[1, 1, 1], [1, 1, 1]]

# Constant 1-D Tensor populated with value list.
tensor = tf.constant([1, 2, 3, 4, 5, 6, 7]) => [1 2 3 4 5 6 7]

# Constant 2-D tensor populated with scalar value -1.
tensor = tf.constant(-1.0, shape=[2, 3]) => [[-1. -1. -1.]
                                              [-1. -1. -1.]]

tf.linspace(10.0, 12.0, 3, name="linspace") => [ 10.0  11.0  12.0]

# 'start' is 3
# 'limit' is 18
# 'delta' is 3
tf.range(start, limit, delta) ==> [3, 6, 9, 12, 15]

　　

#生成2行3列的均值为1，方差为4的高斯分布随机矩阵
norm = tf.random_normal([2, 3], mean=-1, stddev=4)

# Shuffle the first dimension of a tensor
c = tf.constant([[1, 2], [3, 4], [5, 6]])
shuff = tf.random_shuffle(c)#洗牌操作

# Each time we run these ops, different results are generated
sess = tf.Session()
print (sess.run(norm))
print (sess.run(shuff))

　　结果：

[[-0.30886292  3.11809683  3.29861784]
 [-7.09597015 -1.89811802  1.75282788]]
[[3 4]
 [5 6]
 [1 2]]

　　

state = tf.Variable(0)#创建变量0
new_value = tf.add(state, tf.constant(1))#加1操作
update = tf.assign(state, new_value)#将new_value的值赋值给state

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())#将前三行变量初始化
    print(sess.run(state))#计算    
    for _ in range(3):
        sess.run(update)
        print(sess.run(state))

　　结果：

0
1
2
3

　　

#tf.train.Saver  保存当前状态到硬盘，以后可以调用
w = tf.Variable([[0.5,1.0]])
x = tf.Variable([[2.0],[1.0]])
y = tf.matmul(w, x)
init_op = tf.global_variables_initializer()
saver = tf.train.Saver()
with tf.Session() as sess:
    sess.run(init_op)
# Do some work with the model.
# Save the variables to disk.
    save_path = saver.save(sess, "C://tensorflow//model//test")
    print ("Model saved in file: ", save_path)#Model saved in file:  C://tensorflow//model//test

　　

#少用这样方法，最好用tensorflow自己的格式创造
import numpy as np
a = np.zeros((3,3))
ta = tf.convert_to_tensor(a)
with tf.Session() as sess:
     print(sess.run(ta))

　　结果：

[[ 0.  0.  0.]
 [ 0.  0.  0.]
 [ 0.  0.  0.]]

　　

input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)
output = tf.mul(input1, input2)
with tf.Session() as sess:
    print(sess.run([output], feed_dict={input1:[7.], input2:[2.]}))#[array([ 14.], dtype=float32)]

Tensor的属性：

几种Tensor：

• Constant（常量）：值不能改变的一种Tensor。tf.constant
• Placeholder（占位符）：先占住一个固定的位置，等着你之后往里面添加值的一种Tensor。tf.placeholder
• Variable（变量）：值可以改变的一种Tensor。tf.Variable
• SparseTensor（稀疏张量）：一种“稀疏”的Tensor，类似线性代数里的稀疏矩阵的概念。tf.SparseTensor

Tensor 表示法:　

var1 = tf.Variable(4, dtype=tf.int64)
print(var1)#Tensor("Variable/read:0", shape=(), dtype=int64)
var2 = tf.Variable([3, 4])
print(var2)#Tensor("Variable_1/read:0", shape=(2,), dtype=int32)
var3 = tf.Variable([[1, 2], [3, 4]])
print(var3)#Tensor("Variable_2/read:0", shape=(2, 2), dtype=int32)
named_var = tf.Variable([5, 6], name='named_var')
print(named_var)#Tensor("named_var/read:0", shape=(2,), dtype=int32)
const = tf.constant(3)
print(const)#Tensor("Const_1:0", shape=(), dtype=int32)

TensorFlow 程序的流程:

　　1.定义算法的计算图（Graph）结构
　　2.使用会话（Session）执行图的一部分（计算）

#引入TensorFlow库
import tensorflow as tf

#创建一个常量 Operation（操作）
hw = tf.constant("hello world")

#启动一个Tensorflow的Session（会话）
sess = tf.Session()

#运行Graph（计算图）
print(sess.run(hw))

#关闭Session（会话）
sess.close()

　

if hw.graph is tf.get_default_graph():#hw的图就是默认的图，不用自己创建，会默认存在
    print("The graph of hw is the default graph of the context")

　　

　　完整的一段示例：　

# -*- coding: UTF-8 -*-

# 引入 TensorFlow
import tensorflow as tf

# 创建两个常量 Tensor
const1 = tf.constant([[2, 2]])
const2 = tf.constant([[4],
                      [4]])
# print(const1)#Tensor("Const_1:0", shape=(1, 2), dtype=int32)
# print(const2)#Tensor("Const_2:0", shape=(2, 1), dtype=int32)

# 张量相乘（multiply 是 相乘 的意思）
multiply = tf.matmul(const1, const2)

# 尝试用 print 输出 multiply 的值
print("sess.run() 之前，尝试输出 multiply 的值: {}".format(multiply))

# 创建了 Session（会话）对象
sess = tf.Session()

# 用 Session 的 run 方法来实际运行 multiply 这个矩阵乘法操作
# 并把操作执行的结果赋值给 result
result = sess.run(multiply)

# 用 print 打印矩阵乘法的结果
print("sess.run() 之后，输出 multiply 的值: {}".format(result))

if const1.graph is tf.get_default_graph():#const1的图就是默认的图
    print("const1 所在的图（Graph）是当前上下文默认的图")
    # const1所在的图（Graph）是当前上下文默认的图

# 关闭已用完的 Session（会话）
sess.close()

　　

# 第二种方法来创建和关闭Session，更为安全，防止忘记关闭Session
# 用了 Python 的上下文管理器（with ... as ... :）
with tf.Session() as sess:
    result2 = sess.run(multiply)
    print("multiply 的结果是 {} ".format(result2))
    # Multiple的结果是[[16]]