Session,Graph,Operator,Tensor

1. Session

圖的概念比較抽象

可能c可以叫做是operator，可以發(fā)現(xiàn)，result=sess.run(c)之后，打印c和result，result才可以打被印得出來

with tf.Session(target='', graph=None, config=None) as sess:

? ?sess.run(fetches, feed_dict={y:3})

也是一種方式，feed_dict給placehoder賦值，注意feed_dict只在調(diào)用它的句子中才有效

注:函數(shù)-tf.initialize_all_variables()

當(dāng)Session加載Graph的時候，Graph里面的計算節(jié)點都不會被觸發(fā)執(zhí)行。當(dāng)運行sess.run(output)的時候，會沿著指定的Tensor output來進(jìn)圖路徑往回觸發(fā)相對應(yīng)的節(jié)點進(jìn)行計算。

所以在計算Graph時，并不一定是Graph中的所有節(jié)點都被計算了，而是指定的計算節(jié)點或者該節(jié)點的輸出結(jié)果被需要時。

2. Graph

g = tf.graph()

with g.as_default(): 可以設(shè)置其為默認(rèn)圖

這樣可以把它當(dāng)作Session的參數(shù)傳進(jìn)去：

with tf.Session(graph = g) as sess1:

? ? ?print sess1.run(c1)

這樣一個程序里可以有多張圖，也可以建立多個會話

3. Operation

比如： c = tf.matmul(a,b)

一些我已經(jīng)知道的，必須掌握的基本api：

1. w/b = tf.Variable(initial-value>,name=<optional=name>)

? ? ? ?y = tf.matmul(w,x)+b

? ? ? ?z = tf.sigmoid(w+y)

? ? ? ?a = tf.placeholder("float")

? ? ? ?w.assign(w+1.0) / w.assign_add(1.0)

? ? ? init = tf.initialize_all_variables()

save