1.placeholder 占位符 可以通过run方法传入值

测试代码如下:

 # encoding:utf-8

 import tensorflow as tf

 # placeholder 占位符 可以由用户输入
data1 = tf.placeholder(tf.float32)
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}))
print("end!")

运行结果如下:

2.矩阵的定义

类似于二维数组,测试代码如下:

 # encoding:utf-8

 import tensorflow as tf

  # 类比 数组M行N列
data1 = tf.constant([[6,6]]) # M=1 N=1
data2 = tf.constant([[2],
[2]]) # M=2 N=1
data3 = tf.constant([[3,3]]) # M=1 N=1
data4 = tf.constant([[1,2],
[3,4],
[5,6]]) # M=3 N=2
print(data4.shape) # 打印该矩阵的维度
with tf.Session() as sess:
print(sess.run(data4))
print(sess.run(data4[0])) # 打印第一行
print(sess.run(data4[:,0])) # 打印第一列
print(sess.run(data4[0,0])) # 打印一行一列的数
print("end!")

运行结果如下:

3.矩阵的基本运算

同维度矩阵相加减,内积,外积等,测试代码如下:

 # encoding:utf-8

 import tensorflow as tf

 data1 = tf.constant([[6,6]])
data2 = tf.constant([[2],
[2]])
data3 = tf.constant([[3,3]])
data4 = tf.constant([[1,2],
[3,4],
[5,6]])
matMul = tf.matmul(data1,data2)
matMul2 = tf.multiply(data1,data2)
matAdd = tf.add(data1,data3)
with tf.Session() as sess:
print(sess.run(matMul)) # 矩阵内积
print("---------------------------")
print(sess.run(matAdd)) # 矩阵相加 矩阵相减类似
print("---------------------------")
print(sess.run(matMul2)) # 矩阵外积
print("---------------------------")
print(sess.run([matMul,matAdd])) #打印多个内容
print("end!")

运行结果如下:

4.特殊矩阵

特殊矩阵的测试代码如下:

 # encoding:utf-8

 import tensorflow as tf

 # 特殊矩阵的测试
# 全零矩阵的两种定义方式
mat0 = tf.constant([[0,0,0],[0,0,0]])
mat1 = tf.zeros([2,3])
# 全1矩阵
mat2 = tf.ones([3,2])
# 填充矩阵
mat3 = tf.fill([2,2],16)
# 归零矩阵
mat4 = tf.constant([[2],[3],[4]])
mat5 = tf.zeros_like(mat4)
# 等间隔矩阵
mat6 = tf.linspace(0.0,2.0,11)
# 随机矩阵
mat7 = tf.random_uniform([2,3],-1,2)
with tf.Session() as sess:
print(sess.run(mat0)) #
print("---------------------------")
print(sess.run(mat1))
print("---------------------------")
print(sess.run(mat2))
print("---------------------------")
print(sess.run(mat3))
print("---------------------------")
print(sess.run(mat4))
print("---------------------------")
print(sess.run(mat5))
print("---------------------------")
print(sess.run(mat6))
print("---------------------------")
print(sess.run(mat7))
print("---------------------------")
print("end!")

运行结果如下:

TensorFlow入门(矩阵基础)的更多相关文章

  1. 1 TensorFlow入门笔记之基础架构

    ------------------------------------ 写在开头:此文参照莫烦python教程(墙裂推荐!!!) ---------------------------------- ...

  2. (转)TensorFlow 入门

        TensorFlow 入门 本文转自:http://www.jianshu.com/p/6766fbcd43b9 字数3303 阅读904 评论3 喜欢5 CS224d-Day 2: 在 Da ...

  3. TensorFlow 入门之手写识别(MNIST) softmax算法

    TensorFlow 入门之手写识别(MNIST) softmax算法 MNIST flyu6 softmax回归 softmax回归算法 TensorFlow实现softmax softmax回归算 ...

  4. #tensorflow入门(1)

    tensorflow入门(1) 关于 TensorFlow TensorFlow™ 是一个采用数据流图(data flow graphs),用于数值计算的开源软件库.节点(Nodes)在图中表示数学操 ...

  5. TensorFlow入门(五)多层 LSTM 通俗易懂版

    欢迎转载,但请务必注明原文出处及作者信息. @author: huangyongye @creat_date: 2017-03-09 前言: 根据我本人学习 TensorFlow 实现 LSTM 的经 ...

  6. [译]TensorFlow入门

    TensorFlow入门 张量(tensor) Tensorflow中的主要数据单元是张量(tensor), 一个张量包含了一组基本数据,可以是列多维数据.一个张量的"等级"(ra ...

  7. 转:TensorFlow入门(六) 双端 LSTM 实现序列标注(分词)

    http://blog.csdn.net/Jerr__y/article/details/70471066 欢迎转载,但请务必注明原文出处及作者信息. @author: huangyongye @cr ...

  8. TensorFlow 入门之手写识别CNN 三

    TensorFlow 入门之手写识别CNN 三 MNIST 卷积神经网络 Fly 多层卷积网络 多层卷积网络的基本理论 构建一个多层卷积网络 权值初始化 卷积和池化 第一层卷积 第二层卷积 密集层连接 ...

  9. TensorFlow 入门之手写识别(MNIST) softmax算法 二

    TensorFlow 入门之手写识别(MNIST) softmax算法 二 MNIST Fly softmax回归 softmax回归算法 TensorFlow实现softmax softmax回归算 ...

  10. Qt入门之基础篇 ( 二 ) :Qt项目建立、编译、运行和发布过程解析

    转载请注明出处:CN_Simo. 题解: 本篇内容主讲Qt应用从创建到发布的整个过程,旨在帮助读者能够快速走进Qt的世界. 本来计划是讲解Qt源码静态编译,如此的话读者可能并不能清楚地知道为何要静态编 ...

随机推荐

  1. Arm开发板+Qt学习之路-开发板显示 /bin/sh: ./hello: Permission denied

    将pc上交叉编译完成的可执行文件hello,通过串口传输到开发板上后,执行./hello显示 /bin/sh: ./hello: Permission denied 解决方案:在开发板上执行  chm ...

  2. 解决掉你心中 js function与Function的关系的疑问

    前言 在网上有很多关于js function 与 Function直接关系的文章. 但是我感觉过于抽象化了,那么如何是具体化的解释? 正文部分为个人理解部分,如有不对望指出. 正文 <scrip ...

  3. Python学习小记(1)---import小记

    在这种目录结构下,import fibo会实际导入fibo文件夹这个module λ tree /F 卷 Programs 的文件夹 PATH 列表 卷序列号为 BC56-3256 D:. │ fib ...

  4. 子组件获取父组件数据 propsDown, 父组件获取子组件数据 eventUp

    (一) popsDowm 三种方法获取父组件数据:被动获得(1):主动获取(2). 1.被动获得: 父组件:v-bind: 绑定变量参数和方法参数:子组件:props 接收参数.可以在模板中直接使用也 ...

  5. mysql 查询语句的执行顺序(重重点)

    一 SELECT语句关键字的定义顺序 SELECT DISTINCT <select_list> FROM <left_table> <join_type> JOI ...

  6. R语言常用的矩阵操作

    R语言是一门非常方便的数据分析语言,它内置了许多处理矩阵的方法.下面列出一些常用的矩阵操作方法示例. 矩阵的生成 > mat <- matrix(:, ncol = , nrow = , ...

  7. git本地创建多个分支互不干扰

    git本地创建多个分支,互不干扰. 情景:在做某个需求a时,先需要修改紧急bug b:发版时发的是远程dev的代码.   方式一(推荐): (1)本地已有分支dev,写了需求a,先commit,即将工 ...

  8. vue-cli中配置vuex流程和注意事项

    本文目录 vue-cli下新建站 配置路由更改HelloWorld.vue组件到新建Home.vue组件 安装vuex 测试是否安装成功vuex一:vue-cli下新建站 a)新建文件夹vuexStu ...

  9. css3基础-动画案例(没啥实用性,纯粹好玩的)

    会动的汉克狗: <!doctype html> <html lang="en"> <head> <meta charset="U ...

  10. P1000题解 超级玛丽游戏

    P1000这么难,必须要水一篇题解/斜眼笑 ******** ************ ####....#. #..###.....##.... ###.......###### ### ### .. ...