【张量、计算图和会话】

神经网络的搭建八股：

1. 用张量表示数据
2. 用计算图搭建神经网络
3. 用会话执行计算图
4. 优化线上的权重
5. 得到模型

---

张量（tensor）：多维数组（列表）    阶：张量的维数

维数	阶	名字	例子
0-D	0	标量  scalar	s = 1 2 3
1-D	1	向量 vector	v = [1,2,3]
2-D	2	矩阵 matrix	m = [[1,2,3],[4,5,6],[7,8,9]]
n-D	n	张量 tensor	t = [[[ ...

数据类型：tf.float32   tf.int32  ...

用tensorflow实现两个向量的加法：

import tensorflow as tf

a = tf.constant([1.0,2.0])#定义常数
b = tf.constant([3.0,4.0])

result = a+b
print(result)

'''
Tensor("add:0",shape=(2,),dtype=float32)
result是一个名叫“add:0”的张量，维度为1,第一个维度中有两个元素，数据类型为32位浮点
'''

会话（Session）：执行计算图中的节点运算。

用tensorflow实现向量的乘法：

import tensorflow as tf
x = tf.constant([[1.0,2.0]])
w = tf.constant([[3.0],[4.0]])
y = tf.matmul(x,w)
print(y)
with tf.Session as sess:
    print(sess.run(y))

参数：即计算图中线上的权重，用变量表示，随机给初值。

w = tf.Variable(tf.random_normal([2,3],stddev=2,mean=0,seed=1))

tf.random_normal([2,3]) #产生基于正态分布的2x3矩阵

stddev=2 #标准差为2

mean=1 #均值为0

seed=1 #随机种子=1

tf.truncated_normal() #去掉过大偏离点的正态分布，一般超过两个标准差则重新生成

tf.random_uniform() #平均分布

tf.zeros() #全零数组 tf.zeros([3,2],int32)生成[[0,0],[0,0],[0,0]]

tf.ones() #全1数组 tf.ones([3,2],int32) 生成[[1,1],[1,1],[1,1]]

tf.fill #全定值数组 tf.fill([3,2],6) 生成[[6,6],[6,6],[6,6]]

tf.constant #直接给值 tf.constant([3,2,1])生成[3,2,1]