TensorFlow

TensorFlow 采用数据流图的方式进行计算： 通俗的解释就是先把相关计算画成线和节点， 线表示关系，节点是操作符或者输入输出，要求某个节点的时候，将这个节点依赖的其他节点初始化，然后进行计算，和该节点无关的节点不动。

tensor：中文解释为张量，一阶张量为标量，tensorflow表示为[1]， 二阶张量为数组或者矩阵，比如图片，tensorflow表示为[[1,2],[3,4]],三阶张量，直观来说就是个长方体或者正方体这样子的了，比如多通道图像，tensorflow表示为[[[1][2][3]]],总之就是几阶就有几重括号了

使用用tensorflow分为两步：（1）构建图 （2）启动图

构建图：就是定义一些变量，常量和运算，比如

import tensorflow as tf
matrix1 = tf.constant([[3.,3.]])
matrix2 = tf.constant([[2.],[2.]])
product = tf.matmul(matrix1, matrix2)

启动图：要建立一个称为Session()会话的结构，用完还的关

sess = tf.Session()
result = sess.run(product)
print(result)

sess.close()

于是为了省事，改成了：

with 在python中称为上下文管理器，其实感觉和c++的函数差不多，退出就全部回收了除非显示输出的量

with tf.Session() as sess:
    with tf.device("/cpu:0"):     设备选择 “/gpu:0”
        matrix1 = tf.constant([[3.,3.]])
        matrix2 = tf.constant([[2.],[2.]])
        product=tf.matmul(matrix1, matrix2)

        print(product)

后来觉得一个个改输入数据不好找，于是就把输入数据统一申请相对占位格式后，feed喂进去

import tensorflow as tf
input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)
output = tf.multiply(input1, input2)
with tf.Session() as sess:

    print(sess.run([output], feed_dict = {input1:[7.], input2:[2.]}))

这是一个定义变量的方法，变量不像常量，所以要进行初始化

import tensorflow as tf
state = tf.Variable(0, )
one = tf.constant(1)
new_value = tf.add(state, one)
update = tf.assign(state, new_value)
init_op = tf.global_variables_initializer()    *
with tf.Session() as sess:
    sess.run(init_op)                                     *
    print(sess.run(state))
    for _ in range(3):
        sess.run(update)
        print(sess.run(state))