tensorflow基本操作

import tensorflow as tf

# 实现一个加法运算
node1 = tf.constant(3.0)
node2 = tf.constant(4.0)
sum = tf.add(node1,node2)

#  Tensor("Const:0", shape=(), dtype=float32) 名字 形状 数据类型
print("打印张量：",node1)

# 不能在会话中运行，因为定义都不是op类型
# var1 = 2.0
# var2 = 3.0
# sum2 = var1+var2


# 有重载的机制，只要有一个是op对象，就可以在会话运行
var3 = 4.0
sum3 = var3+node2

# 获取默认的图 默认的这张图，相当于是给程序分配一段内存 ,所有的操作和量都是在这张图中存的
graph = tf.get_default_graph()

# 训练模型
# 实时的提供数据去进行训练
# placeholder是一个占位符, feed_dict 一个字典
plt = tf.placeholder(tf.float32 , [None,3]) # None的地方可以写固定的数，也可以写None


# with tf.Session(graph = 自己创建的图) as  sess: 可以这样使用自己创建的图运行
# 只能运行一张图，在会话中指定
# with 上下文管理器，帮忙自动关闭会话
# config=tf.ConfigProto(log_device_placement=True 可以打印出此次运行用到的资源
with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as  sess:
    # 运行一个
    print("运行单个值：",sess.run(sum))
    # 重载运行
    print("重载运行：",sess.run(sum3))
    # 运行多个，要放在列表里，如下
    print("运行多个值的输出：",sess.run([sum,node1,node2]))
    # 使用占位符，实时提供数据进行训练
    print("实时提供数据：",sess.run(plt,feed_dict={plt:[[1,2,3],[4,5,6]]}))


    # 只要有会话的上下文环境就可以方便的使用eval（）
    # 使用eval取值
    print("使用eval：" ,sum.eval())

    # 以下三个的图的位置都是一样，证明数据都存在一张图中
    print(node1.graph)
    print(node2.graph)
    print(sess.graph)
    print(node1.op) # 打印出该op的所有信息
    print("--------------")
    print(node1.shape)
    print("--------------")
    print(node1.name)
    print("--------------")
    print(plt.shape)

    # tensorflow:打印出来的形状表示
    # 0维：（)   1维：（5）里面有5个数据   2维：（5，6） 3维：（2，3，4）

    # 形状的概念
    


# 创建一张图包含了一组op和tensor，上下文环境
# op: 只要使用tensorflow的API定义的函数都是OP
# tensor： 就是指代数据
g = tf.Graph()
# 新创建的图的使用
with g.as_default():
    a = tf.constant(1.0)
    assert sum.graph is not g

import tensorflow as tf

# 形状的概念
# 静态形状和动态形状
# 对于静态形状来说，一旦张量形状固定了，不能再次设置静态形状，也能跨维度修改
# 动态形状可以去创建一个新的张量，改变时候一定要注意元素数量要匹配,而且可以跨维度修改

plt = tf.placeholder(tf.float32 ,[None,2])
print("设置之前：",plt)
# 2不能变，必须和一开始一样，否则会报ValueError: Dimension 1 in both shapes must be equal, but are 2 and 7. Shapes are [?,2] and [3,7].
plt.set_shape([3,2])
print("设置之后：",plt)

# plt.set_shape([2，3]) # 不能再次修改了，会报错

# 动态形状修改，会生成一个新的Tensor，但是不能从[2,3] 变为 [3,3] 不能多出列，只能改变形状而已
plt_reshape = tf.reshape(plt , [2,3,1]) # ValueError: Cannot reshape a tensor with 6 elements to shape [3,3] (9 elements) for 'Reshape' (op: 'Reshape') with input shapes: [3,2], [2] and with input tensors computed as partial shapes: input[1] = [3,3].
print("动态改变形状：", plt_reshape)


with tf.Session() as sess:
    pass