TF行列基礎

一、プレースホルダ

呼び出さTensorflowデザインコンセプトは、最初、システム全体のグラフを構築するために、すべての、コードを直接有効になりません、プログラムの製造において、フローチャートを計算し、これと異なる（例えばnumpyの等のような）他の数値計算のPythonライブラリは、グラフは静的です、ドッキングウィンドウと同様にミラーリング。その後、実走行では、セッションを開始し、プログラムが実際に実行されます。あなたは、システム全体のためにコードを最適化プログラムが実際に実行されている基礎となるコンテキスト切り替え、tensorflowヘルプを繰り返さないようにするには：この利点は、ということです。我々は非常にC言語または一度切り替える必要がある任意の他の言語、スクリプト1行、のための基本となるPythonプログラムの多くは、あなたが実行されるセッション全体のコードの最適化を支援するため、フローチャートの方法により算出したコスト、tensorflowがあることを知っている、または利点。

だから、プレースホルダ（）関数は、この時点では、データモデルにおけるニューラルネットワークフットプリントのグラフを構築するための時間であり、着信モデルを入力したくなかった、それだけで、必要なメモリを割り当てます。モデルがプレースホルダに供給されるデータのfeed_dict（）関数によって実行されるセッションのセッション確立、等、。

インポートAS tensorflowのTF 
DATAL = tf.placeholder（tf.float32）#placeholderプレースホルダ
DATA2 = tf.placeholder（tf.float32）
dataAdd = tf.add（DATAL、DATA2）
セッション数AS tf.Session（）を有する：
    印刷（ sess.run（dataAdd、feed_dict = {DATA1 ：6、DATA2：2}））#feed_dict 割当/パラメータ

出力：8.0 

次に、行列演算
二つのタイプに分け行列乗算：一つは、通常の行列乗算であり、最初の要件マトリックスの第2の行列の同じ行と列。2加算器と同様の2回の行列乗算の位置に対応する番号は、ちょうどなっています* +

インポートAS tensorflowのTF 
=（[[1,2]]）DATALのtf.constant 
DATA2 = tf.constant（[2]、
                     [2]]） 
：tf.Session 有する（）セッション数AS 
    dataAdd = tf.add（DATAL 、DATA2）
    の1/2に相当する位置の数を乗算datamul = tf.multiply（DATAL、DATA2）＃行列
    datamat = tf.matmul（DATA1、DATA2） ＃ * 2行列を1 
    プリント（sess.run（[dataAdd、datamul、 Datamat]））


出力：

第三に、初期化行列

MAT0 = tf.zeros（[2,3]） ＃ 2つの値を作成し、すべての0 3の行行列である
MAT1 = tf.ones（[2,3]） ＃二つの値は、マトリクス1の3つのすべての行である作成　　
= MAT2 tf.fill（[2,3]、8） ＃は3つの8のマトリクスの二列の完全な値作成
MAT3 = tf.zeros_like（MAT1）＃1 MAT1はマトリックスの全ての値が0となる
2 [（MAT4 = tf.random_uniform 3] - 2,1）は、2つの行番号の値は、-2及び1つの3マトリックスとの間の乱数を作成しています

おすすめ