Tensorflow Cookbook1-Session & Graph 的使用

在Tensorflow中，我们可以把整个的计算过程看作是一张流动的数据网络，数据从网络的一端流向另外一端，整个网络便是一张图，即Graph，而中间关键的计算称之为节点，即Session，下面我们将会从Numpy和Tensorflow两个方面对Session的应用作以比对：

首先，我们在Numpy中，对两个矩阵进行加法和乘法的运算：

import numpy as np

a = np.matrix([[ 2, 3, 6],
               [ 1, 7, 8]])

b = np.matrix([[-2, 1, 4],
               [ 3,-5, 2]])

c = np.matrix([[ 1, 2],
               [ 4,-3],
               [-1,-1]])

d = np.add(a,b)

e = np.matmul(a,c)

print(d)
print(e)

a,b,c均被定义成矩阵的形式，而d表示矩阵a与b的和，e表示矩阵a和矩阵c的积。最后将结果打印，得到：

d=
[[ 0  4 10]
 [ 4  2 10]]
e=
[[  8 -11]
 [ 21 -27]]

从Tensorflow的角度，我们除了要定义计算的方式，还要初始化运算，具体如下面所示：

import tensorflow as tf

a = tf.constant([[ 2, 3, 6],
                 [ 1, 7, 8]])

b = tf.constant([[-2, 1, 4],
                 [ 3,-5, 2]])

c = tf.constant([[ 1, 2],
                 [ 4,-3],
                 [-1,-1]])

d = tf.add(a,b)

e = tf.matmul(a,c)

#########################
sess = tf.Session()
result1 = sess.run(d)
result2 = sess.run(e)
sess.close()
#########################

print(result1)
print(result2)

在这里除了需要按照tensorflow中的定义，对a,b,c进行定义，要注意的是，由于上述三个变量在后续的计算过程中不发生改变，所以会直接被定义为constant常量。

有所不同的是，我们在#处引入了tensorflow中的Session会话，首先打开会话，启动run，run括号中所指代的是一种计算形式，其最后会将结果反馈给sess.run()之前的变量，最终关闭整个会话即可。其运行结果和上文相同。

特别说明：如果总是忘记关闭会话，不妨借助Python中的with函数，可以将#内的语言内容改写为：

with tf.Session() as sess:
    result1 = sess.run(d)
    result2 = sess.run(e)

可以起到一样的效果。

为了可以在后续的学习中深入使用这一命令，我们也可以尝试着完成下面的任务。

1.借助Tensorflow完成矩阵A=[[2,5,3],[-2,1,1],[4,-2,-1]]的求逆操作并打印。

2.借助Tensorflow，创建两个随机数矩阵，分别为3行5列和5行3列，进行相乘操作并打印。