python中tensorflow_Python Tensor FLow简单使用方法实例详解

本文实例讲述了Python Tensor FLow简单使用方法。分享给大家供大家参考，具体如下：

1、基础概念

Tensor表示张量，是一种多维数组的数据结构。Flow代表流，是指张量之间通过计算而转换的过程。TensorFLow通过一个计算图的形式表示编程过程，数据在每个节点之间流动，经过节点加工之后流向下一个节点。

计算图是一个有向图，其组成如下：节点：代表一个操作。边：代表节点之间的数据传递和控制依赖，其中实线代表两个节点之间的数据传递关系，虚线代表两个节点之间存在控制相关。

张量是所有数据的表示形式，可以将其理解为一个多维数组。零阶张量就是标量（scalar），表示一个数，一阶张量为一维数组，即向量（vector）。n阶张量也就是n维数组。张量并不保存具体数字，它保存的是计算过程。

下面的例子是将节点1、2的值相加得到节点3。

import tensorflow as tf

node1=tf.constant(3.0,tf.float32,name='node1') #创建浮点数节点

node2=tf.constant(4.0,tf.float32,name='node2')

node3=tf.add(node1,node2) #节点三进行相加操作,源于节点1、2

ses=tf.Session()

print(node3) #输出张量：Tensor("Add_3:0", shape=(), dtype=float32)

print(ses.run(node3)) #通过会话运行节点三，将节点1、2相加，输出：7.0

ses.close() #不使用时，关闭会话

直接print(node3)输出的结果不是具体的值，而是张量结构。因为创建计算图只是建立了计算模型，只有会话执行run()才能获得具体结果。

Tensor("Add_3:0", shape=(), dtype=float32)中，Add表示节点名称，3表示这是该节点的第3个输出。shape表示张量的维度信息，()代表标量。dtype表示张量的类型，每个张量的类型唯一，如果不匹配会报错，不带小数点的默认类型为int32，带小数点默认为float35。下面的例子为更复杂的张量类型：

tensor1=tf.constant([[[1,1,1],[1,2,1]],

[[2,1,1],[2,2,1]],

[[3,1,1],[3,2,1]],

[[4,1,1],[4,2,1]]],name='tensor1')

print(tensor1)

ss=tf.Session()

print(ss.run(tensor1)[3,0,0]) #访问tensor1的具体元素

#输出：Tensor("tensor1:0", shape=(4, 2, 3), dtype=int32) 4