tf矩阵基础

一、Placeholder

Tensorflow的设计理念称之为计算流图，在编写程序时，首先构筑整个系统的graph，代码并不会直接生效，这一点和python的其他数值计算库（如Numpy等）不同，graph为静态的，类似于docker中的镜像。然后，在实际的运行时，启动一个session，程序才会真正的运行。这样做的好处就是：避免反复地切换底层程序实际运行的上下文，tensorflow帮你优化整个系统的代码。我们知道，很多python程序的底层为C语言或者其他语言，执行一行脚本，就要切换一次，是有成本的，tensorflow通过计算流图的方式，帮你优化整个session需要执行的代码，还是很有优势的。

       所以placeholder()函数是在神经网络构建graph的时候在模型中的占位，此时并没有把要输入的数据传入模型，它只会分配必要的内存。等建立session，在会话中，运行模型的时候通过feed_dict()函数向占位符喂入数据。

import tensorflow as tf
data1 = tf.placeholder(tf.float32)　　　　#placeholder占位符
data2 = tf.placeholder(tf.float32)
dataAdd = tf.add(data1,data2)
with tf.Session() as sess:
    print(sess.run(dataAdd,feed_dict={data1:6,data2:2}))　　　　#feed_dict赋值/参数

输出:8.0

二、矩阵运算
矩阵相乘分为两种：1是正常的矩阵相乘，要求第一个矩阵的列和第二个矩阵的行相等。2是两个矩阵对应位置的数相乘，类似于加法，只是将+变成了*

import tensorflow as tf
data1 = tf.constant([[1,2]])
data2 = tf.constant([[2],
                     [2]])
with tf.Session() as sess:
    dataAdd = tf.add(data1,data2)
    datamul = tf.multiply(data1,data2)#矩阵1/2对应位置的数相乘
    datamat = tf.matmul(data1,data2)#矩阵1*2
    print(sess.run([dataAdd,datamul,datamat]))


输出：

三、初始化矩阵

mat0 = tf.zeros([2,3])　　　　#创建值全为0的两行三列矩阵
mat1 = tf.ones([2,3])　　　　#创建值全为1的两行三列矩阵　　
mat2 = tf.fill([2,3],8)　　　　#创建值全为8的两行三列矩阵
mat3 = tf.zeros_like(mat1)　　　　#将矩阵mat1的值全部变成0
mat4 = tf.random_uniform([2,3],-2,1)　　　　#创建值是-2到1之间的随机数的两行三列矩阵