Tensorflow 学习笔记- tensor的声明

1. tf 声明Variable变量时，在使用前需要对变量进行初始化，才可运行tensor

import tensorflow as tf
// case one
a = tf.Variable(4, tf.int16)
b = tf.Variable([[4,5], [3,5]])
c = tf.add(a,b)
// init the variable
init =tf.global_variables_initializer()
with tf.Session() as sess: // the session will close automatically
    sess.run(init) // must do it firstly
    sess.run(c)

// case two
state = tf.Variable(0, name="counter")
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)

代码中assign() 操作是图所描绘的表达式的一部分, 正如add() 操作一样. 所以在调用run() 执行表达式
之前, 它并不会真正执行赋值操作.

2.Fetch
为了取回操作的输出内容, 可以在使用Session 对象的run() 调用 执行图时, 传入一些 tensor, 这些 tens
or 会帮助你取回结果.

input1 = tf.constant(3.0)
input2 = tf.constant(2.0)
input3 = tf.constant(5.0)
intermed = tf.add(input2, input3)
mul = tf.mul(input1, intermed)
with tf.Session() as sess:
    result = sess.run([mul, intermed])
    print result
# 输出:
# [array([ 21.], dtype=float32), array([ 7.], dtype=float32)]

需要获取的多个 tensor 值，在 op 的一次运行中一起获得（而不是逐个去取 tensor）

3.Feed
Tensorflow 提供feed机制，该机制可以临时替代graph中任意操作中的tensor，直接插入一个tensor。可以提供feed数据作为run()调用的参数。因此，feed只有在调用它的method内有效。最常见的例子事将某些特殊的操作指定为“feed”操作，标记的方法是使用tf.placeholder()为这些操作创建占位符。

input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)
output = tf.add(input1, input2)

with tf.Session() as sess:
    print sess.run([output], feed_dict={input1:[7], input2:[3]})