TensorFlow的深度学习文章->_->基础API的熟悉与使用

作者:陈劲灿 编辑日期: 2017年11月21日 16:53 阅读量: 366 分类: ai

tensorflow是一个编程系统,可以想象它有一张图,在图上的op操作为节点,操作过程中使用Variable来保存变量。通过创建会话Session在Session中调用run函数循序执行图,feed以及fetch实现op的赋值以及获取数据。

一个最基础的图
 1.
 2.
 3.
 4.
 5.
 6.
 7.
 8.
 9.
10.
11.
12.
13.
14.
import tensorflow as tf

#图添加node1(op)
node1 = tf.constant(3.0, dtype = tf.float32)
#图添加node2(op)
node2 = tf.constant(4.0, dtype = tf.float32)

#图添加node3(op)
node3 = tf.add(node1, node2)

#创建Session, Session中执行图
with tf.Session() as sess:
    result = sess.run(node3)
    print(result)

其图的显示形式为:

包含Variable变量的图
 1.
 2.
 3.
 4.
 5.
 6.
 7.
 8.
 9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
import tensorflow as tf

#创建一个op node1
node1 = tf.Variable(0)
#创建一个op node2
node2 = tf.constant(1)

#将node1 与 node2相加
node3 = tf.add(node1, node2)

#使用node3 给node1进行赋值
update = tf.assign(node1, node3)

with tf.Session() as sess:
    #执行图前,必须先添加一个初始化op!
    sess.run(tf.global_variables_initializer())

    #执行图
    result = sess.run(update)

    #获取node1
    print(sess.run(node1))
Fetch 操作
 1.
 2.
 3.
 4.
 5.
 6.
 7.
 8.
 9.
10.
import tensorflow as tf

node1 = tf.constant(1)
node2 = tf.constant(2)
_mul = tf.multiply(node1, node2)

with tf.Session() as sess:
    #通过向run函数传递 tensor, 可以取回多个tensor
    result = sess.run([_mul, node1])
    print(result)
Feed 操作
 1.
 2.
 3.
 4.
 5.
 6.
 7.
 8.
 9.
10.
11.
12.
13.
import tensorflow as tf

#先通过placeholder创建占位符
node1 = tf.placeholder(tf.float32)
node2 = tf.placeholder(tf.float32)

#执行op操作
_mul = tf.multiply(node1, node2)

with tf.Session() as sess:
    #通过feed_dict 传入参数
    result = sess.run(_mul, feed_dict={node1: 1, node2 : 1})
    print(result)

上面就是基本的tensorflow操作。


上一篇
下一篇
HTTPS的实现原理
TensorFlow的深度学习文章->_->通过Mnist入门