Tensorflow自我训练进阶（代码+注解）【0】以矩阵乘法为例的开篇之谈

开始玩TensorFlow, 发现真的是个很强大的工具。为了自我督促，故开此博客，将阶段工作整理发表，以便于互相交流与讨论~~

TensorFlow使用张量为数据结构（可以暂时理解成一维向量或者二维矩阵），这些就是它的操作对象。

TensoeFlow使用computation graph作为计算过程，每个计算过程都称为一个session，而每个session存储的也是一个model。

同时还有许许多多各种功能的配套函数。

这就组成了我们的TensorFlow。

下面来自于一个有趣的实验：矩阵乘法

法一：安装官方文档上的示例，使用tensorflow去计算

法二：使用numpy库中的矩阵乘法

法三：使用numpy库中的dot函数

时间长短比较：

法一>法二>>法三

使用TensorFlow就像“宰牛刀”去杀鸡一样，跑的时间比其他的都长。

方法3的时间几乎为前两个的1/10, 非常快速！为什么呢？让窝再想想......也许是与内置函数有关？【我联想到了python字典的查询速度与规模无关，都是非常快这件事了。】

代码如下：

import tensorflow as tf
import time
import numpy as np
print '\nexample1: 3 ways to do Matrix-Multiple by ORCA\n'
# do MatrixMultiple in TF
start = time.clock()
matrix1 = tf.constant([[2., 1.]])
matrix2 = tf.constant([[3., 9.],[7., 2.]])
product = tf.matmul(matrix1, matrix2)

sess = tf.Session()
with tf.Session() as sess:
    result = sess.run([product])
print result
print 'tensorflow use time:', time.clock()-start
#do MatrixMultiple in Numpy as matrix
start = time.clock()
a = np.matrix([[2., 1.]])
b = np.matrix([[3., 9.], [7., 2.]])
c = a*b
print c
print 'matrix multiple use time:', time.clock() - start
#do MatrixMultiple in Numpy as dot
start = time.clock()
a = np.array([[2., 1.]])
b = np.array([[3. , 9.], [7., 2.]])
c = np.dot(a, b)
print c
print 'matrix dot use time:', time.clock() - start

大概就是这样一个突发奇想，也是我从官方文档扒下来的第一个示例。以后也会逐渐从官方文档上整理示例代码（当然是更加完善实现更多功能那种），供自己学习以及大家的交流~

天空鱼