我们直接来看代码, 不要怕.稍后会有逐行解释.
- import tensorflow as tf
- node1 = tf.constant(3.0, tf.float32)
- node2 = tf.constant(4.0)
- node3 = tf.add(node1, node2)
- sess = tf.Session()
- print “node3:”, node3
- print “sess.run(node3): ”, sess.run(node3)
- a = tf.placeholder(tf.float32)
- b = tf.placeholder(tf.float32)
- adder_node = a + b
- print sess.run(adder_node, {a: 3, b: 4.5})
- print sess.run(adder_node, {a: [1, 3], b: [2, 4]})
- add_and_triple = adder_node * 3.
- print sess.run(add_and_triple, {a: 3, b: 4.5})
- W = tf.Variable([.3], tf.float32)
- b = tf.Variable([-.3], tf.float32)
- x = tf.placeholder(tf.float32)
- linear_model = W * x + b
- init = tf.global_variables_initializer()
- sess.run(init)
- print sess.run(linear_model, {x: [1, 2, 3, 4]})
- y = tf.placeholder(tf.float32)
- squares_deltas = tf.square(linear_model - y)
- loss = tf.reduce_sum(squares_deltas)
- print sess.run(loss, {x:[1, 2, 3, 4], y:[0, -1, -2, -3]})
- fixW = tf.assign(W, [-1.])
- fixb = tf.assign(b, [1.])
- sess.run([fixW, fixb])
- print sess.run(loss, {x: [1,2,3,4], y: [0,-1,-2,-3]})
两个概念
在分析代码前,我们需要弄懂两个tensorflow的概念, 往下看,这并不难.
1. tensor(张量)
矩阵,我想大家知道是什么,不知道的话,可以认为他就是二维数组.而张量可以认为是矩阵的推广,简单来说,他可以表示更高维的数组.当然包括1维,2维都可以表示.
举些例子,下面都是张量:
- [1] : 这是最简单的张量, 其实也就是标量
- [1,2,3,4]: 这是1维数组,也是张量
- [[1,2,3,4], [11,22,33,44]] :这是2维数组,从矩阵的角度可以认为是一个2X4的矩阵,即2行,4列
上面的张量,你可能还是比较熟悉的,我们来看下面这个,仔细观察一下:
- [ [ [ ], [ ] , [ ] , [ ] ] , [ [ ] , [ ] , [ ] , [ ] ] ]
没错,聪明的你可能已经发现这其实就是上面那个2维数组中的每一个数字都替换成[],也就是替换成一个空数组,现在,我们让这每一个空数组里都加3个变量,变成: - [[[1,1,1], [2,2,2], [1,2,3], [3,2,1]], [[2,2,2], [3,3,3], [4,4,4], [5,5,5]]]
2. node(节点)
代码分析
第一行
import tensorflow as tf
导入tensorflow库, 并且定义了一个别名”tf”.使得代码可以用tf.的方式使用tensorflow定义的一切类, 函数 或者变量.