TensorFlow 1+1

TensorFlow本质上是一个符号式的（基于计算图的）计算框架。这里以计算1+1作为Hello World的示例。

import tensorflow as tf
 
# 定义一个“计算图”
a = tf.constant(1)  # 定义一个常量Tensor（张量）
b = tf.constant(1)
c = a + b  # 等价于 c = tf.add(a, b)，c是张量a和张量b通过Add这一Operation（操作）所形成的新张量
 
sess = tf.Session()     # 实例化一个Session（会话）
c_ = sess.run(c)        # 通过Session的run()方法对计算图里的节点（张量）进行实际的计算
print(c_)

输出:

2

上面这个程序只能计算1+1，以下程序通过 tf.placeholder() （占位符张量）和 sess.run() 的 feed_dict= 参数展示了如何使用TensorFlow计算任意两个数的和：

import tensorflow as tf
 
a = tf.placeholder(dtype=tf.int32)  # 定义一个占位符Tensor
b = tf.placeholder(dtype=tf.int32)
c = a + b
 
a_ = input("a = ")  # 从终端读入一个整数并放入变量a_
b_ = input("b = ")
 
sess = tf.Session()
c_ = sess.run(c, feed_dict={a: a_, b: b_})  # feed_dict参数传入为了计算c所需要的张量的值
print("a + b = %d" % c_)

运行程序:

>>> a = 2
>>> b = 3
a + b = 5

**变量**（Variable）是一种特殊类型的张量，使用 tf.get_variable() 建立，与编程语言中的变量很相似。使用变量前需要先初始化，变量内存储的值可以在计算图的计算过程中被修改。以下示例如何建立一个变量，将其值初始化为0，并逐次累加1。

import tensorflow as tf
 
a = tf.get_variable(name='a', shape=[])
initializer = tf.assign(a, 0)   # tf.assign(x, y)返回一个“将张量y的值赋给变量x”的操作
a_plus_1 = a + 1    # 等价于 a + tf.constant(1)
plus_one_op = tf.assign(a, a_plus_1)
 
sess = tf.Session()
sess.run(initializer)
for i in range(5):
    sess.run(plus_one_op)                   # 对变量a执行加一操作
    a_ = sess.run(a)                        # 获得变量a的值并存入a_
    print(a_)

输出:

1.0
2.0
3.0
4.0
5.0

以下代码和上述代码等价，在声明变量时指定初始化器，并通过 tf.global_variables_initializer() 一次性初始化所有变量，在实际工程中更常用：

import tensorflow as tf
 
a = tf.get_variable(name='a', shape=[], initializer=tf.zeros_initializer)   # 指定初始化器为全0初始化
a_plus_1 = a + 1
plus_one_op = tf.assign(a, a_plus_1)
 
sess = tf.Session()
sess.run(tf.global_variables_initializer()) # 初始化所有变量
for i in range(5):
    sess.run(plus_one_op)
    a_ = sess.run(a)
    print(a_)

矩阵乃至张量运算是科学计算（包括机器学习）的基本操作。以下程序展示如何计算两个矩阵 和 的乘积：

import tensorflow as tf
 
A = tf.ones(shape=[2, 3])   # tf.ones(shape)定义了一个形状为shape的全1矩阵
B = tf.ones(shape=[3, 2])
C = tf.matmul(A, B)
 
sess = tf.Session()
C_ = sess.run(C)
print(C_)

输出:

[[3. 3.]
 [3. 3.]]

Placeholder（占位符张量）和Variable（变量张量）也同样可以为向量、矩阵乃至更高维的张量。