张量: 多维数组(列表)     阶: 张量的维数

例

import tensorflow as tfa = tf.constant([[1.9, 2.0]])b = tf.constant([[3.9], [2.9]])res = tf.matmul(a, b)print res

//with tf.Session() as sess:    加上这一句显示答案 // 　　print sess.run()

 

 

参数: 神经元线上的权重 随机给初值

例

　　　　　　　　　　　　　　　　　标准差为2   均值为0     随之种子 可以省略

w = tf.Variable(tf.random_nomal([2, 3], stddev = 2, mean = 0, seed = 1))

　　　　　　　　正态分布          3*2的矩阵

tf.truncated_normal()                 　　tf.random_uniform()

去掉过大偏离的正态分布   　　　　　　平均分布

 

tf.zeros 全0数组    tf.zeros([3, 2], int32)

tf.ones 全1数组　　tf.ones([3, 2], int32)

tf.fill 全定值数组　　tf.fill([3, 2], 6)

tf.constant 直接给值　　tf.constant([3, 2, 1])

 

 

变量初始化  计算图节点运算都要用会话(with结构) 实现

with tf.Session() as sess:    sess.run()

 

 变量初始化: 在sess.run函数中用tf.global_variables_initializer()

init_op = tf.global_variables_initializer()sess.run(init_op)

 

 计算图节点运算: 在sess.run函数中写入待运算的节点

sess.run(y)

 

用tf.placeholder 占位, 在sess.run函数中用feed_dict 喂数据

喂一组数据:

x = tf.placeholder(tf.float32, shape = (1, 2))sess.run(y, feed_dict = {x : [[0.5, 0.6]]})

 

喂多组数据:

x = tf.placeholder(tf.float32, shap(None, 2))sess.run(y, feed_dict = {x : [[0.1, 0.2], [0.2, 0.3] , [0.3, 0.4]]})

 

例

1 #coding:utf-8  2 import tensorflow as tf  3 #定义输入参数  4 x = tf.placeholder(tf.float32, shape = (None, 2))  5 w1 = tf.Variable(tf.random_normal([2, 3]))  6 w2 = tf.Variable(tf.random_normal([3, 1]))  7   8 #定义前向传播过程  9 a = tf.matmul(x, w1) 10 y = tf.matmul(a, w2) 11  12 #用会话计算结果 13 with tf.Session() as sess: 14     init_op = tf.global_variables_initializer() 15     sess.run(init_op) 16     print sess.run(y, feed_dict = {x : [[0.7, 0.5], [0.1, 0.2]]})