python之深度学习（tensorflow）图，会话

import tensorflow as tf
import os
os.environ[‘TF_CPP_MIN_LOG_LEVEL‘] = ‘2‘#把报错的这个警告等级降低
#图：默认已经注册，一组表示tf.Operation（节点）计算单元的对象和tf.Tensor(张量)操作之间的数据单元的对象，所以一张图包含两个：
#一个是OP一个是Tensor
#获取一个图的方法有：tf.get_default_graph()
a = tf.constant(8.0)
b = tf.constant(5.0)
sum1 = tf.add(a,b)
gra = tf.get_default_graph() #
                             #说白了其实还是给你一个地址，你以后的操作的程序就在这个内存块内进行
print(gra)
with tf.Session() as sess:
    print(sess.run(sum1)) #打印13
    #接下来我们看看每个Operation的图也就是地址是不是在一起的,答案是一样的，都在这个地址上0x000001F7992AA438>
    print(a.graph)
    print(sum1.graph)
    print(sess.graph)

#哪些是Operation呢：标量运算（加减乘除等数学运算）；向量运算；矩阵运算；带状态的运算；神经网络的组件；控制流等等
#只要是使用tensorflow的API定义的函数都是OP,例如上边的a,b,sum1,gra等等
#什么是Tensor呢：就是指的是数据，例如上边的a = tf.constant(8.0)中的8.0就是Tensor类型的
#所以可以抽象的理解成：OP是一个载具，Tensor是一个被载的数据

import tensorflow as tf
import os
os.environ[‘TF_CPP_MIN_LOG_LEVEL‘] = ‘2‘#把报错的这个警告等级降低
#placeholder是一个占位符，feed_dict是一个字典
plt = tf.placeholder(tf.float32,[None,3])#一个未知维列表，未知的行但是有3列张量类型是tf.float32
with tf.Session() as sess:
    print(sess.run(plt,feed_dict={plt:[[1,2,3],[4,5,6]]}))

#哪些是Operation呢：标量运算（加减乘除等数学运算）；向量运算；矩阵运算；带状态的运算；神经网络的组件；控制流等等
#只要是使用tensorflow的API定义的函数都是OP,例如上边的a,b,sum1,gra等等
#什么是Tensor呢：就是指的是数据，例如上边的a = tf.constant(8.0)中的8.0就是Tensor类型的
#所以可以抽象的理解成：OP是一个载具，Tensor是一个被载的数据
#run()方法:run(fetches,feed_dict=None,graph=None):是运行OP和Tensor
#参数：fetches是嵌套的列表，元组
#参数：feed_dict允许调用者覆盖图中指定的张量的值，提供给placeholder使用

import tensorflow as tf
import os
os.environ[‘TF_CPP_MIN_LOG_LEVEL‘] = ‘2‘#把报错的这个警告等级降低

plt = tf.placeholder(tf.float32,[None,3])
shape1 = plt.get_shape()
print(shape1)  #(?, 3)
plt.set_shape([4,3])
print(plt.get_shape()) #(4, 3)
#再次设置形状，他会报错，对于静态形状来说只能设置一次形状
plt.set_shape([5,3])
print(plt.get_shape()) #(4, 3)


with tf.Session() as sess:
    pass

import tensorflow as tf
import os
os.environ[‘TF_CPP_MIN_LOG_LEVEL‘] = ‘2‘#把报错的这个警告等级降低

plt = tf.placeholder(tf.float32,[None,3])
shape1 = plt.get_shape()
print(shape1)  #(?, 3)
plt.set_shape([4,3])
print(plt.get_shape()) #(4, 3)
#再次设置形状，他会报错，对于静态形状来说只能设置一次形状
# plt.set_shape([5,3])
# print(plt.get_shape()) #(4, 3)
#接下来就是动态形状了
plt_reshape = tf.reshape(plt,[3,4])
print(plt_reshape.get_shape()) #(3, 4)

with tf.Session() as sess:
    pass