1.basic_something

1.基础必须(4个)：op,session,graph,run
矩阵乘法：tf.matmul(）

import tensorflow as tf
m1=tf.constant([[3,3]])#定义1行2列的矩阵常量op（1.op）
m2=tf.constant([[2],[3]])#2行1列的op
product=tf.matmul(m1,m2)#矩阵相乘的op
sess=tf.Session()#定义一个会话，并启动默认图（2.session，3.graph）
result=sess.run(product)#(4.run)
print(result)#[[15]]
sess.close()

2.变量（2个）：Variable和init

import tensorflow as tf
x=tf.Variable([1,2])#定义变量op(1.Varable)
a=tf.constant([3,3])
sub=tf.subtract(x,a)#减法op
add=tf.add(x,sub)#加法op
init=tf.global_variables_initializer()#初始化变量（2.global_variables_initializer）
with tf.Session() as sess:
    sess.run(init)#run init
    print(sess.run(sub))
    print(sess.run(add))

3.变量的赋值（更新）不能用=，要借助中间变量用assign创建变量赋值op

import tensorflow as tf
state=tf.Variable(0,name='counter')#变量初始值0，name属性
new_value=tf.add(state,1)#加法op，此处变量不能直接赋值，要借助中间变量op
update=tf.assign(state,new_value)#（1.变量的复制操作不能直接用=，用assign创建给变量复制的op）
init=tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    print(sess.run(state))#0
    for _ in range(5):
        sess.run(update)
        print(sess.run(state))#1,2,3,4,5

4.run()函数内的fetch和feed
fetch：以列表形式输入多个需要运算的op：result=sess.run([sub,add])

import tensorflow as tf
x=tf.Variable([1,2])#定义变量op(1.Varable)
a=tf.constant([3,3])
sub=tf.subtract(x,a)#减法op
add=tf.add(x,a)#加法op
init=tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    result=sess.run([sub,add])#（1.列表fetch）
    print(result)#[array([-2, -1]), array([4, 5])]

feed：以字典形式（feed_dict）给（placeholder）赋值
数值乘法：tf.multiply(）

input1=tf.placeholder(tf.float32)#（1.定义占位符placeholder）
input2=tf.placeholder(tf.float32)
output=tf.multiply(input1,input2)
with tf.Session() as sess:
    print(sess.run(output,feed_dict={input1:8.,input2:2.}))#16.0，（2.feed_dict）

5.简单线性回归预测：1.loss,2.optimizer,3.train优化更新参数值

import tensorflow as tf
import numpy as np
x_data=np.random.rand(100)
y_data=x_data*0.1+0.2#数据
k=tf.Variable(0.)
b=tf.Variable(0.)
y=k*x_data+b#模型，输出y是模型的预测输出
loss=tf.reduce_mean(tf.square(y_data-y))#（1.实际值与模型预测值的均方误差）
optimizer=tf.train.GradientDescentOptimizer(0.2)#（2.学习率为0.2的随机梯度优化器）
train=optimizer.minimize(loss)#（3.代价损失函数：用优化器减少损失值（loss）,更新参数值（k，b））
init=tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    for step in range(201):
        sess.run(train)
        if step%20==0:
            print(step,sess.run([k,b]))