2021寒假（23）

TensorFlow基本操作

实验原理

TensorFlow 是一个编程系统，使用图来表示计算任务，图中的节点被称之为 op (operation 的缩写)。一个 op 获得 0 个或多个 Tensor，执行计算产生 0 个或多个 Tensor。每个 Tensor 是一个类型化的多维数组。例如，你可以将一小组图像集表示为一个四维浮点数数组，这四个维度分别是 [batch, height, width, channels]。

一个 TensorFlow 图描述了计算的过程，为了进行计算，图必须在会话里被启动。会话将图的 op 分发到诸如 CPU 或 GPU 之类的设备上，同时提供执行 op 的方法，这些方法执行后将产生的 tensor 返回。在 Python 语言中返回的 tensor 是 numpy ndarray 对象；在 C 和 C++ 语言中返回的 tensor 是 tensorflow::Tensor 实例。

TensorFlow 程序通常被组织成一个构建阶段和一个执行阶段。在构建阶段，op 的执行步骤被描述成一个图；在执行阶段，使用会话执行图中的 op。

使用 TensorFlow，你必须明白 TensorFlow的组件作用：

使用图 (graph) 来表示计算任务
在被称之为会话 (Session) 的上下文 (context) 中执行图
使用 tensor 表示数据
通过变量 (Variable) 维护状态

使用 feed 和 fetch 可以为任意的操作(arbitrary operation) 赋值或者从其中获取数据

import tensorflow as tf
import os
os.environ["CUDA_VISIBLE_DEVICES"]="0"
a = tf.constant(2)
b = tf.constant(3)
with tf.Session() as sess:
    print("a:%i" % sess.run(a), "b:%i" % sess.run(b))
    print("Addition with constants: %i" % sess.run(a + b))
    print("Multiplication with constant:%i" % sess.run(a * b))

a = tf.placeholder(tf.int16)
b = tf.placeholder(tf.int16)
add = tf.add(a,b)
mul = tf.multiply(a,b)
with tf.Session() as sess:
    print("Addition with variables: %i" % sess.run(add,feed_dict={a:2,b:3}))
    print("Multiplication with variables: %i" % sess.run(mul, feed_dict={a: 2, b: 3}))

matrix1=tf.constant([[3.,3.]])
matrix2=tf.constant([[2.],[2.]])
product=tf.matmul(matrix1,matrix2)
with tf.Session() as sess:
    result=sess.run(product)
    print(result)

结果截图：