TensorFlow 笔记一

一个十分简单的TensorFlow笔记。

---

导入

python里面直接按照module来导入就行，

import tensorflow as tf

常量

a = tf.constant(1, name='a')

或者

a = tf.constant(1)

它也可以是矩阵，

X = tf.constant(np.random.randn(3,1), name = "X")

变量

例如，

y_hat = tf.constant(36, name='y_hat')
y = tf.constant(39, name='y')

loss = tf.Variable((y - y_hat)**2, name='loss')

可以看到变量是由一些常量进行一些运算后得到的。

当然直接写也是可以的，

loss = (y - y_hat)**2

TensorFlow对基本运算进行了重写，它会自动识别出这里的运算步骤的。

---

初始化变量

init = tf.global_variables_initializer()

还不明白它的作用。

---

占位符

x = tf.placeholder(tf.int64, name = 'x')

占位符可以看成一个变量，它可以重复的赋值，赋值时要使用feed_dict{}，

sess.run(2 * x, feed_dict = {x: 3})

会话（session）

TensorFlow的运行需要建立一个会话任务，然后通过它来运行，

with tf.Session() as session:
    session.run(init)
    print(session.run(loss))

要通过session才能将计算run()起来，这里也可以使用下面的方式，

sess = tf.Session()
sess.run(init)
print(sess.run(loss))
sess.close()

目前看来，上面结构的好处就是可以自动进行close()。

---

十分简单的程序

import tensorflow as tf   # 导包

a = tf.constant(2, name='a')  # 常量

b = tf.constant(3, name='b')  # 常量

c = a * b + b                 # 变量

d = tf.placeholder(tf.int32, name = 'd') # 占位符

f = d + c                                # 变量

init = tf.global_variables_initializer() # 初始化器

with tf.Session() as session:                    # 建立会话
    session.run(init)                            # 执行初始化
    print(session.run(f, feed_dict = {d: 100}))  # 运行变量f

109

甚至怀疑应该把variable看成为一个运算式子，所以才会去run()这么一个式子。