tensorflow学习笔记（2）|基本函数入门

（1）Hello World之tensorflow

from __future__ import print_function
import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
print(sess.run(hello))

1.from future import print_function 这行代码主要是解决python2.X和python3.X之间 print 方法的差异，即python3.X中print方法开始需要加上括号后，这样写可以优化代码的兼容性。
2.导包tensorflow，定义别名为tf。
3.tf.constant()方法：创建一个定值向量。

tf.constant(
value, # 常量值
dtype=None, #输出类型
shape=None, #输出向量的可选维度
name='Const', #向量的名称
verify_shape=False #布尔值，用于验证值的shape
)

4.tf.Session()，顾名思义，可以理解为开始一个运算的对话，当我们在一个session当中需要计算的任务结束了，就可以通过相应的方法结束这个session。一般来讲，session的生命周期如下所示：

#1.创建
ses = tf.Session()  
#2.科学计算
ses.run(...)    
#3.关闭         
ses.close()
#Using the context manager.
with tf.Session() as sess:
  sess.run(...)

（2）tensorflow 常见的几个操作

Basic constant operations

import tensorflow as tf

a = tf.constant(2)
b = tf.constant(3)

with tf.Session() as sess:
    print "a: %i" % sess.run(a), "b: %i" % sess.run(b)
    print "Addition with constants: %i" % sess.run(a+b)
    print "Multiplication with constants: %i" % sess.run(a*b)

运行程序，输出的结果是：

basic_opration_output1.png

Basic Operations with variable as graph input

a = tf.placeholder(tf.int16)
b = tf.placeholder(tf.int16)

add = tf.add(a, b)
mul = tf.multiply(a, b)

with tf.Session() as sess:
    # Run every operation with variable input
    print "Addition with variables: %i" % sess.run(add, feed_dict={a: 2, b: 3})
    print "Multiplication with variables: %i" % sess.run(mul, feed_dict={a: 2, b: 3})

placeholder,翻译过来是“占位符”的意思，就是在开始2行代码并没有确定a和b具体的值，后面的feed_dict才是真正赋值的时候。
程序运行输出的结果是：

Addition with variables: 5

Multiplication with variables: 6

矩阵相乘

matrix1 = tf.constant([[3., 3.]])
matrix2 = tf.constant([[2.],[2.]])
product = tf.matmul(matrix1, matrix2)
with tf.Session() as sess:
    result = sess.run(product)
    print result

运行程序，输出的结果是：

[[ 12.]]

Tensorflow Eager API的基本使用

Eager Execution 的优点如下：

快速调试即刻的运行错误并通过 Python 工具进行整合
借助易于使用的 Python 控制流支持动态模型
为自定义和高阶梯度提供强大支持
适用于几乎所有可用的 TensorFlow 运算

也就是说当你启动 Eager Execution 时，运算会即刻执行，无需 Session.run() 就可以把它们的值返回到 Python。

from __future__ import absolute_import, division, print_function

import numpy as np
import tensorflow as tf

# Set Eager API
print("Setting Eager mode...")
tf.enable_eager_execution()
tfe = tf.contrib.eager

运行程序，得到如下结果：

Setting Eager mode...

从上面程序看，我们没有调用run()方法就可以运行程序。

2.
# Full compatibility with Numpy
print("Mixing operations with Tensors and Numpy Arrays")

# Define constant tensors
a = tf.constant([[2., 1.],
                 [1., 0.]], dtype=tf.float32)
print("Tensor:\n a = %s" % a)
b = np.array([[3., 0.],
              [5., 1.]], dtype=np.float32)
print("NumpyArray:\n b = %s" % b)

输出结果如下：

eager_operation_API_output.png

print("Iterate through Tensor 'a':")
for i in range(a.shape[0]):
    for j in range(a.shape[1]):
        print(a[i][j])