1.Tensorflow的基本概念：

1.Tensorflow的基本概念：

• 1.使用图（graphs）来表示计算任务

• 2.在被称之为会话（Session）的上下文（context）中执行图

• 3.使用tensor表示数据

• 4.通过变量（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

Tensorflow是一个编程系统，使用图（graphs）来表示任务，图（graphs)中的节点称之为op（operation），一个获得0个或多个Tensor，执行计算，产生0个或多个Tensor.Tensor看做是一个n维的数组或列表。图必须在会话（Session）里被启动。

                                           图的基本框架

 常量的使用

import tensorflow as tf

a1 = tf.constant([[2, 3]])  # 定义一个常量
a2 = tf.constant([[3], [3]])
result = tf.matmul(a1, a2)  # 将两个常量相乘
print(result)  # result是一个tonsor，所有的graphs都必须在会话(session)中执行
# Tensor("MatMul:0", shape=(1, 1), dtype=int32)
sess = tf.Session()  # 创建会话
result = sess.run(result)
print(result)  # 返回计算的结果
sess.close()  # 关闭会话
# [[15]]
"""
可以用python的with来自行关闭会话:
with tf.Session() as sess:
    result = sess.run(result)
    print(result)
"""

 变量的使用

import tensorflow as tf

# 定义一个变量
a1 = tf.Variable(0)
# 定义一个常量
a2 = tf.constant(2)
#  创建相减的op
sub = tf.subtract(a1, a2)
#  创建相加的op
add = tf.add(a1, a2)
"""
with tf.Session() as sess:
    sess.run(sub)
这时候直接运行会报错，因为Variable(变量)没有初始化
"""
init = tf.global_variables_initializer()  # 全局变量初始化

with tf.Session() as sess:
    sess.run(init)
    result = sess.run(sub)
    print(result)  # 0 - 2 = -2
    result = sess.run(add)
    print(result)  # 0 + 2 = 2

 

Variable和Tensor之间的区别：

• Variable是可更改的，而Tensor是不可更改的。
• Variable用于存储网络中的权重矩阵等变量，而Tensor更多的是中间结果等。
• Variable是会显示分配内存空间的，需要初始化操作（assign一个tensor），由Session管理，可以进行存储、读取、更改等操作。相反地，诸如Const, Zeros等操作创造的Tensor，是记录在Graph中，所以没有单独的内存空间；而其他未知的由其他Tensor操作得来的Tensor则是只会在程序运行中间出现。
• Tensor可以使用的地方，几乎都可以使用Variable。

 tensorflow的赋值操作

import tensorflow as tf

# 定义一个变量
a1 = tf.Variable(0)
# 定义一个常量
a2 = tf.constant(2)
#  创建相减的op
sub = tf.subtract(a1, a2)
#  创建相加的op
add = tf.add(a1, a2)

init = tf.global_variables_initializer()  # 全局变量初始化

update = tf.assign(a1, add)  # tensorflow里面的赋值要调用tf.assign方法

with tf.Session() as sess:
    sess.run(init)
    result = sess.run(sub)
    print(result)  # 0 - 2 = -2
    result = sess.run(add)
    print(result)  # 0 + 2 = 2
    for i in range(5):
        result = sess.run(update)
        print(result)  # 2 4 6 8 10