关于Tensorflow的安装与具体教程可以参考官方中文网：Tensorflow中文社区
关于tensorflow的计算方式，如下图所示：
tensorflow计算的图形化表示如下图：
上图中右图的Tensor或Varible表示张量或变量，它们通过一个op（operation，操作）进行计算，得出的结果也是一个常量或变量，然后又与一组变量通过一个op进行计算，得到最终结果。右侧的图也是一样，比如W=2，X=3，op为乘法，所有得出结果为6，然后设b=4，与6通过op（加法）进行计算，得出结果为10，依次这样进行下去。但是，前提是这些操作必须在会话中进行，即在进行运算时，必须使用tf.Session()后方可输出答案，否则输出的是一个tensorflow的类型。
1、常量与变量
（1）常量
在tensorflow中创建常量使用constant()函数，如tf.constant()，这里做个测试：
import tensorflow as tf
hello=tf.constant("hello world!") # 创建常量
with tf.Session() as sess: # 创建会话
print(sess.run(hello))
运行结果：
（2）变量
创建变量有以下几种方法，主要使用Variable()函数创建：
现在通过代码一个一个试一下：
第一种：
# 第一种初始化方法---等间距取值
a=tf.Variable(tf.linspace(-5.,5.,10),dtype=tf.float32) #这里的tf.linspace()表示取值范围为[-5,5]，等间距取100个数，类型为float32位，其实默认的也是float32位。
init=tf.global_variables_initializer() # 变量都需要初始化
with tf.Session() as sess:
sess.run(init) #在会话中先初始化运行
print(sess.run(a))
运行结果：
第二种：
# 第二种初始化方法---根据矩阵均值和方差进行矩阵定义(需使用随机函数)
b=tf.Variable(tf.random_normal(shape=[3,3],mean=1.0,stddev=2.0,dtype=tf.float32),dtype=tf.float32) # 定义一个3*3的矩阵
init=tf.global_variables_initializer() # 变量都需要初始化
with tf.Session() as sess:
sess.run(init) #在会话中先初始化运行
print("b:\n",sess.run( b))
运行结果：
第三种：
这里以复制b为例：
c=tf.Variable(b.initialized_value(),dtype=tf.float32)
init=tf.global_variables_initializer() # 变量都需要初始化
with tf.Session() as sess:
print("c:\n", sess.run(c))
运行结果：
这里两个结果是一样的。
第四种：
使用tf.zeros()初始化一个全0矩阵。
# 第四种初始化方法---全零矩阵
d = tf.Variable(tf.zeros([3,3],dtype=tf.float32), dtype=tf.float32)
init=tf.global_variables_initializer() # 变量都需要初始化
with tf.Session() as sess:
sess.run(init) #在会话中先初始化运行
print("d:\n", sess.run(d))
运行结果：
第五种：
# 第五种初始化方法---assign
e=tf.assign(a,tf.linspace(-1.,1,10))
init=tf.global_variables_initializer() # 变量都需要初始化
with tf.Session() as sess:
sess.run(init) #在会话中先初始化运行
print("e:\n", sess.run(e))
运行结果：
注：tf.assign(A, new_number): 这个函数的功能主要是把A的值变为new_number，tf.assign()函数就有点把错题用橡皮擦擦除，然后重新写上新的答案一样。
类型转化
此外，我们还可以使用tf.cast()函数把数据类型进行转换。如下：
#类型转换
e_cast=tf.cast(e,dtype=tf.int32) # 把e转化成int类型
init=tf.global_variables_initializer() # 变量都需要初始化
with tf.Session() as sess:
sess.run(init) #在会话中先初始化运行
print("e:\n", sess.run(e))
print("e_cast:\n", sess.run(e_cast))
运行结果：
扫描二维码关注公众号，回复：
11016885 查看本文章
2、操作数
1、在本文一开始就介绍了op（操作），这里不再赘述。以两个常量相加为例进行代码解析：
a=tf.constant(2) # 常量
b=tf.constant(6) # 常量
c=tf.multiply(a,b) # 乘法op
with tf.Session() as sess:
print("c:\n",sess.run(c))
运行结果：
2、在tensorflow中，常数还可以跟矩阵进行加减乘除的操作：
a=tf.constant(2) # 常量
b=tf.constant(6) # 常量
c=tf.multiply(a,b) # 乘法op
m1=tf.constant([[1,2,3],
[4,5,6]]) # 矩阵常量
m1_a=tf.add(m1,a) # 加法op，矩阵和常数在tf中可以进行加减乘除
with tf.Session() as sess:
print("c:\n",sess.run(c))
print("m1_a:\n",sess.run(m1_a))
运行结果：
可以看到，矩阵中每个元素都被加上了2。
3、变量与常量的相加（矩阵）
a=tf.constant(2) # 常量
b=tf.constant(6) # 常量
c=tf.multiply(a,b) # 乘法op
m1=tf.constant([[1,2,3],
[4,5,6]]) # 矩阵常量
m1_a=tf.add(m1,a) # 加法op，矩阵和常数在tf中可以进行加减乘除
d=tf.Variable(tf.random_normal([2,3],mean=1.0,stddev=2.0,dtype=tf.float32),dtype=tf.float32)# 变量矩阵
m2_d=tf.add(d,tf.cast(m1_a,dtype=tf.float32)) #矩阵相加op
init=tf.global_variables_initializer() # 初始化
with tf.Session() as sess:
sess.run(init) #运行初始化
print("c:\n",sess.run(c))
print("m1_a:\n",sess.run(m1_a))
print("m2_d:\n", sess.run(m2_d))
运行结果：
当进行op的两个常量为矩阵时，使用tf.multiply()则是矩阵内的对应元素进行相乘，且2个矩阵之间的shape必须保持一致，如矩阵A为2X3，矩阵B也应该为2X3，所得的结果并不是线性代数中的那样。在tensorflow中，使用tf.matmul()这个函数进行相乘才是正统，除法类似。
3、占位符
placeholder，占位符，在tensorflow中类似于函数参数，运行时必须传入值。函数说明：tf.placeholder(dtype, shape=None, name=None)
x=tf.placeholder(shape=[2,2],dtype=tf.float32) #占位符
y=tf.placeholder(shape=[2,1],dtype=tf.float32)
xy=tf.matmul(x,y) # 矩阵乘法op
with tf.Session() as sess: # 会话
xy_result=sess.run(xy,feed_dict={x:[[1,2],[3,4]],y:[[5],[6]]}) # 规定数据
print(xy_result)
运行结果：
占位符操作就好像一条数学公式，我们给这条数学公式输入相关参数，然后在Session()会话中运行这条输入了参数的公式，最终得到结果。
本文所有实例：
import tensorflow as tf
import numpy as np
'''-------------------常量--------------------------'''
def constant_demo():
hello=tf.constant("hello world!") # 创建常量
with tf.Session() as sess: # 创建会话
print(sess.run(hello))
constant_demo()
'''--------------------变量-------------------------'''
def Varible_demo():
# 第一种初始化方法---等间距取值
a=tf.Variable(tf.linspace(-5.,5.,10),dtype=tf.float32) #这里的tf.linspace()表示取值范围为[-5,5]，等间距取100个数，类型为float32位，其实默认的也是float32位。
# 第二种初始化方法---根据矩阵均值和方差进行矩阵定义(需使用随机函数)
b=tf.Variable(tf.random_normal(shape=[3,3],mean=1.0,stddev=2.0,dtype=tf.float32),dtype=tf.float32) # 定义一个3*3的矩阵
# 第三种初始化方法---复制
c=tf.Variable(b.initialized_value(),dtype=tf.float32)
# 第四种初始化方法---全零矩阵
d = tf.Variable(tf.zeros([3,3],dtype=tf.float32), dtype=tf.float32)
# 第五种初始化方法---assign
e=tf.assign(a,tf.linspace(-1.,1,10)) # tf.assign(A, new_number): 这个函数的功能主要是把A的值变为new_number
#类型转换
e_cast=tf.cast(e,dtype=tf.int32)
init=tf.global_variables_initializer() # 变量都需要初始化
with tf.Session() as sess:
sess.run(init) #在会话中先初始化运行
print("a:\n",sess.run(a))
print("b:\n",sess.run( b))
print("c:\n", sess.run(c))
print("d:\n", sess.run(d))
print("e:\n", sess.run(e))
print("e_cast:\n", sess.run(e_cast))
Varible_demo()
'''--------------------操作数-------------------------'''
def op_demo():
a=tf.constant(2) # 常量
b=tf.constant(6) # 常量
c=tf.multiply(a,b) # 乘法op
m1=tf.constant([[1,2,3],
[4,5,6]]) # 矩阵常量
m1_a=tf.add(m1,a) # 加法op，矩阵和常数在tf中可以进行加减乘除
d=tf.Variable(tf.random_normal([2,3],mean=1.0,stddev=2.0,dtype=tf.float32),dtype=tf.float32)# 变量矩阵
m2_d=tf.add(d,tf.cast(m1_a,dtype=tf.float32)) #矩阵相加op
init=tf.global_variables_initializer() # 初始化
with tf.Session() as sess:
sess.run(init) #运行初始化
print("c:\n",sess.run(c))
print("m1_a:\n",sess.run(m1_a))
print("m2_d:\n", sess.run(m2_d))
op_demo()
'''------------------------占位符--------------------------'''
def placeholder_demo():
x=tf.placeholder(shape=[2,2],dtype=tf.float32) #占位符
y=tf.placeholder(shape=[2,1],dtype=tf.float32)
xy=tf.matmul(x,y) # 矩阵乘法op
with tf.Session() as sess: # 会话
xy_result=sess.run(xy,feed_dict={x:[[1,2],[3,4]],y:[[5],[6]]}) # 规定数据
print("xy_result:\n",xy_result)
placeholder_demo()
所有运行结果：
