TensorFlow的基本知识

graph：图，表示具体的计算任务
session：会话，图需要在会话中执行，一个会话可以包含很多图
tensor：张量，在此表示数据
variable：就是本意变量，图的重要组成部分
operation：简称op，是图中计算的节点
feed、fetch：意思是给图添加数据和获取图中的数据，因为训练过程中有些数据需要动态获得、临时给予数据

Tensor

TensorFlow使用tensor数据结构来代表所有的数据，计算图中，操作间传递的数据都是tensor.可以将tensor看做是一个数组或者是列表

Variable(变量)

当创建一个变量时，表明一个张量作为初始值传入构造函数Variable()。参数用来初始化张量,调用tf.variable()添加一些操作(Op,operation)到graph
tf.Variable（initializer， name）：initializer是初始化参数，可以有tf.random_normal，tf.constant，tf.constant等，name就是变量的名字

a = tf.Variable(2, name='scalar')
b = tf.Variable([2, 3], name='vector')
c = tf.Variable([[0, 1], [2, 3]], name='matrix')
w = tf.Variable(tf.zeros([784, 10]), name='weight')

变量有着下面几个操作

x = tf.Variable()
x.initializer # 初始化
x.eval() # 读取里面的值
x.assign() # 分配值给这个变量

注意一点，在使用变量之前必须对其进行初始化，初始化可以看作是一种变量的分配值操作。最简单的初始化方式是一次性初始化所有的变量

init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)

也可以对某一部分变量进行初始化

init_ab = tf.variable_initializer([a, b], name='init_ab')
with tf.Session() as sess:
    sess.run(init_ab)

或者是对某一个变量进行初始化

w = tf.Variable(tf.zeros([784, 10]))
with tf.Session() as sess:
    sess.run(w.initializer)

如果我们想取出变量的值，有两种方法

w = tf.Variable(tf.truncated_normal([10, 10], name='normal'))
with tf.Session() as sess:
    sess.run(w.initializer)
    print(w.eval()) # 方法一
    print(sess.run(w)) # 方法二

Placeholders(占位符)

tensorflow第一步是定义图，第二步是在session中进行图中的计算。对于图中我们暂时不知道值的量，我们可以定义为占位符，之后再用feed_dict去赋值，传入sess.run()函数。
tf.placeholder(dtype, shape=None, name=None)
dtype是必须要指定的参数，shape如果是None，说明任何大小的tensor都能够接受，使用shape=None很容易定义好图，但是在debug的时候这将成为噩梦，所以最好是指定好shape。

a = tf.placeholder(tf.float32, shape=[3])
b = tf.constant([5, 5, 5], tf.float32)
c = a + b
with tf.Session() as sess:
    print(sess.run(c, feed_dict={a: [1, 2, 3]}))

constant(常数类型)

tf.constant(value, dtype=None, shape=None, name=’Const’, verify_shape=False)
可以是一维向量和矩阵，或者是使用特殊值的向量创建，也有和numpy类似的序列创建

a = tf.constant([2, 2], name='a')
b = tf.constant([[0, 1], [2, 3]], name='b')

Fetch

input1 = tf.constant([3.0])    
input2 = tf.constant([2.0])    
input3 = tf.constant([5.0])    
intermed = tf.add(input2,input3)    
mul = tf.multiply(input1,intermed)
with tf.Session() as sess:        
    result = sess.run([mul,intermed])     
    print(result)

Feed

input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)
output = tf.multiply(input1,input2)
with tf.Session() as sess:
    print(sess.run([output],feed_dict={input1:[7.],input2:[2.]}))