1.使用Tensorflow,你必须明白TensorFlow:
①使用graph来表示计算任务
②在Session的context中执行图。
③使用tensor表示数据
④使用Variable维护状态
⑤使用feed和fetch可以为任意的操作赋值或者从其中获取数据。
过程:一个TensorFlow的图描述了计算的过程,为了进行计算,图必须在会话里被启动。会话将图的op分发到诸如CPU或GPU之类的设备上,同时提供执行op的方法。在这些方法执行后,将产生的tensor返回。在Python语言中,返回的tensor是numpy naarray对象。
2.构造图:
import tensorflow as tf
# 创建一个常量 op, 产生一个 1x2 矩阵. 这个 op 被作为一个节点
# 加到默认图中.
#
# 构造器的返回值代表该常量 op 的返回值.
matrix1 = tf.constant([[3., 3.]])
# 创建另外一个常量 op, 产生一个 2x1 矩阵.
matrix2 = tf.constant([[2.],[2.]])
# 创建一个矩阵乘法 matmul op , 把 'matrix1' 和 'matrix2' 作为输入.
# 返回值 'product' 代表矩阵乘法的结果.
product = tf.matmul(matrix1, matrix2)
3.在一个会话中启动图
①创建一个Session对象
#启动默认图
sess=tf.Session()
②运行
#produc是定义在图里面的一个op
result=sess.run(product)
③session对象在使用完需要关闭以释放资源
with tf.Session() as sess:
result=sess.run([product])
print result
④指定运行的设备
widt tf.devuce()
4.交互式使用
使用InteractiveSession代替Session类
使用Tensor.eval()和Operation.run()方法代替Session.run()
5.Tensor:可以把tensor看作一个n维的数组或列表。一个tensor包含一个静态类型rank,和一个shape
6.变量:
tf.Variable()
tf.constant()
7.fetch
8.feed