tensorflow 语法小结

创建一个一行两列的矩阵

matrix1 = tf.constant([[3., 3.]])

创建一个两行一列的矩阵

matrix2 = tf.constant([[2.],[2.]])

矩阵相乘

tf.matmul(matrix1, matrix2)

启动默认图.

sess = tf.Session()
result = sess.run(product)
### 任务完成, 关闭会话.
sess.close()

创建一个变量列表,(变量维护图的中间状态)

tf.Variable([1.0, 2.0])

创建一个常量列表

tf.constant([3.0, 3.0])

使用初始化器 initializer op 的 run() 方法初始化 ‘x’

x.initializer.run()

增加一个减法 sub op, 从 ‘x’ 减去 ‘a’. 运行减法 op, 输出结果

sub = tf.sub(x, a)

计算state 和 one 的值

new_value = tf.add(state, one)

将 new_value 的值 赋给 state （state＝new_value）

update = tf.assign(state, new_value)

mul = multiply 是将input1和input2 做乘法运算，并输出为 output

ouput = tf.multiply(input1, input2)

生成随机数，数据格式是 float 32 的形式

x_data = np.random.rand(100).astype(np.float32)

定义Wx_plus_b, 即神经网络未激活的值(预测的值)。其中，tf.matmul()是矩阵的乘法。

    Wx_plus_b = tf.matmul(inputs,Weights)

如果定义 Variable, 就一定要 initialize 激活变量 （此时没有激活只有 sess.run 才会激活）

init = tf.global_variables_initializer()   

建立一个优化器， 减少神将网络的误差 GradientDescentOptimizer 是最基础的优化器， 0.5 为学习效率（0-1），

optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)