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. sublime text3 安装详解+前端插件

    1,下载sublime 3,地址:http://www.sublimetext.com/ 2,注册码:(在网上找的,感谢前辈)打开sublime3, help----add license---复制下 ...

  2. asp.net网站作为websocket服务端的应用该如何写

    最近被websocket的一个问题困扰了很久,有一个需求是在web网站中搭建websocket服务.客户端通过网页与服务器建立连接,然后服务器根据ip给客户端网页发送信息. 其实,这个需求并不难,只是 ...

  3. python笔记23(面向对象课程五)

    今日内容 上节作业 单例模式 class Foo: pass obj1 = Foo() # 实例,对象 obj2 = Foo() # 实例,对象 日志模块(logging) 程序的目录结构 内容回顾 ...

  4. python提取图片内容并转换成对应表格的markdown代码

    本节我们将介绍使用python识别一张图片中的内容,并试着得到一张表格,当然并不是类似于Excel的表格,而是该表格的markdown代码. 注:原创内容,转载请标明出处! 相关工具的安装 本次实验环 ...

  5. 折腾vue--环境搭建(一)

    1.安装nodejs nodejs下载地址:https://nodejs.org/en/ 2.检测nodejs //检测nodejs版本 node -v //检测npm npm –v 3.安装vue ...

  6. C语言用两个栈实现队列(完整版)

    队列是一种 先进先出(first in - first out, FIFO)的数据结构,队列中的元素都从后端(rear)入队(push),从前端(front)出队(pop).实现队列最直观的方法是用链 ...

  7. 10.HanLP实现k均值--文本聚类

    笔记转载于GitHub项目:https://github.com/NLP-LOVE/Introduction-NLP 10. 文本聚类 正所谓物以类聚,人以群分.人们在获取数据时需要整理,将相似的数据 ...

  8. maven的核心概念——仓库

    第十章仓库 10.1 分类 [1]本地仓库:为当前本机电脑上的所有Maven工程服务. [2]远程仓库 (1)私服:架设在当前局域网环境下,为当前局域网范围内的所有Maven工程服务. (2)中央仓库 ...

  9. postman请求(请求方式、请求url、请求参数、参数类型、请求头)

    请求方式:get 请求地址: 请求参数:url与参数用?间隔,多个参数用&间隔 请求方式:post 请求地址: 请求参数: 请求参数格式:前面两种是key-value.第三种可以选择json/ ...

  10. cf1037E

    题解:考虑逆序处理询问,用一个set来维护能去的人,每次减少边的时候,维护一下这个set就可以,具体看代码 int main(){ int n, m, k; cin >> n >&g ...