加法运算
例子
import tensorflow as tf
a = tf.constant(5.0)
b = tf.constant(6.0)
sum = tf.add(a, b)
with tf.Session as sess:
sess.run(sum)
其中:sess.run() 是启动整个graph
sess.close()是释放资源
tf.Session(graph=’指定运行的graph’, config = tf.ConfigProto(log_device_placement=True))
config可以设置之后可以查看运行情况
运行时的警告：
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
元素
tensor：张量
operation(op): 专门运算的操作节点，所有操作都是一个op
graph: 图，整个程序的结构
session: 会话，用来运算程序的图（一次只能运行一个图结构）
图
- 图默认已经注册，一组表示tf.operation 计算单位的对象和tf.Tensor表示操作之间流动的数据单元的对象
- 调用方法
- tf.get_default_graph()
- a.graph
- sum.graph
- sess.graph
3. 创建与使用
- 创建：tf.graph()
- 使用：
g = tf.Graph()
with g.as_default():
a = tf.constant(1.0)
assert c.graph is g
4. op:只要使用tensorflow的api定义的函数都是op
5. tensor: 就指代的事数据
会话
分类：
- 前端系统：定义程序的图的结构，如，python API
- 后端系统：运算图结构，如,cpu, gpu
- 会话即为前后端之间的桥梁，功能有：1. 运行图结构，2. 分配资源，3. 掌握资源
交互式（命令行）：
import tensorflow as tf
a = tf.constant(3.0)
tf.InteractiveSession()
a.eval() # 3.0
只要有会话的上下文环境，就可用eval()直接运行。
run()方法：
- 运行多个op: sess.run([a, b, sum])
- 不能直接运行普通数字，只能运行op, tensor，但可运行：sess.run(1 constant(3.0))
- feed_dict:一个字典，键：plt， 值：要填充的数据
实时提供数据，需要使用placeholder来提供一个占位符：
plt = tf.placeholder(type = tf.float32, shape = [2,3])
sess.run(plt, feed_dict={plt: [[1, 2, 4][5, 7, 8]]}
张量Tensor
- 属性：
- graph：图
- name：op的名称
- op：op的结构
- shape：形状（0维：（），1维：（5），2维：（2, 4），3维：（3， 2, 5））
2. 形状的改变：
- 静态形状：
plt = tf.placeholder(tf.float32, [None, 2])
plt.set_shape([3, 2])
性质：
a. 不新建tensor
b. 一旦设置为固定值之后，则不可再修改
c. 维数不能修改，只能同维度下修改
- 动态形状
tf.reshape(tensor=plt, shape=[2, 3])
性质：
a. 新建一个tesnor
b. 可一直修改
c. 可夸维修改，即可修改维数，但是元素个数必须匹配。
3. 操作
a. 生成张量
tf.zeros(shape, dtype = df.float32, name=None)
tf.ones(shape, dtype = df.float32, name=None)
tf.constant(value, shape=None, dtype = Noen, name=None)
tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)
b. 修改类型
tf. string_to_number(string_tensor, out_type=None, name=None)
tf.todouble(x, name=’toDouble’)
暂时就就写到这了，后续请看下一篇哦…
