1 # coding=utf-8
 2 import tensorflow as tf
 3 import numpy as np  # 使用numpy创建数据
 4 import os
 5 
 6 os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
 7 
 8 # ### 创建数据
 9 x_data = np.random.rand(100).astype(np.float32)  # 生成float32类型的100个随机数列
10 y_data = x_data * 0.1 + 0.3
11 # print("x_data：\n{} \ny_data：\n{}".format(x_data, y_data))
12 
13 # ### 创建TensorFlow结构 开始### 
14 # 搭建模型
15 Weights = tf.Variable(tf.random_uniform([1], -1.0, 1.0))  # 定义权重变量：1维结构，随机数值范围为“-1.0”到“1.0”
16 biases = tf.Variable(tf.zeros([1]))  # 定义偏差：初始值定义为0
17 # print("Weights：{}\nbiases：{}".format(Weights, biases))
18 y = Weights * x_data + biases  # 预测的y值
19 # 计算误差
20 loss = tf.reduce_mean(tf.square(y - y_data))  # 计算误差：计算预测值y和真实值y_data的误差
21 # 传播误差（反向传递误差，使用优化器减少误差）
22 optimizer = tf.train.GradientDescentOptimizer(0.5)  # 优化器使用梯度下降法（Gradient Descent）进行参数的更新，学习效率为0.5
23 train = optimizer.minimize(loss)  # 使用优化器减少误差
24 # 激活Variable
25 init = tf.global_variables_initializer()  # 必须初始化所有定义的Variable
26 # ### 创建TensorFlow结构 结束### 
27 
28 # ### 训练
29 with tf.Session() as sess:  # 创建会话
30     sess.run(init)  # 用Session来执行init初始化步骤
31     for step in range(201):
32         sess.run(train)  # 用Session来run每一次training的数据，逐步提升神经网络的预测准确性
33         if step % 20 == 0:  # 每隔20次打印Weights和biases
34             print("Steps：{} Weights：{} Biases：{}".format(step, sess.run(Weights), sess.run(biases)))
35 
36 # ### 处理结构
37 # 在TensorFlow中必须先建立神经网络的结构, 才能放入数据，最终运行这个结构；
38 # 本例简单演示了在TensorFlow中如何用代码来运行搭建的结构；

 1 # coding=utf-8
 2 import tensorflow as tf
 3 import os
 4 
 5 os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
 6 
 7 matrix1 = tf.constant([[3, 3]])  # 定义一个一行两列的矩阵常量
 8 matrix2 = tf.constant([[2],
 9                        [2]])  # 定义一个两行一列的矩阵常量
10 print("matrix1: ", matrix1, "\nmatrix2: ", matrix2, )
11 
12 product = tf.matmul(matrix1, matrix2)  # 定义矩阵相乘（matrix multiply），但不进行计算
13 
14 # 使用Session的形式 - 不推荐
15 sess = tf.Session()  # 注意Session的首字母大写
16 result = sess.run(product)  # 在Session中激活product并得到计算结果
17 print("result:", result)
18 sess.close()  # 关闭session
19 
20 # 使用Session的形式 - 推荐
21 with tf.Session() as sess2:
22     result2 = sess2.run(product)
23     print("result2:", result2)
24 
25 # ### 会话控制（Session）
26 # 在TensorFlow中，Session是控制和输出文件的执行语句
27 # 运行session.run()可以获得运算结果, 或者控制运算

 1 # coding=utf-8
 2 import tensorflow as tf
 3 import os
 4 
 5 os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
 6 
 7 state = tf.Variable(6, name='counter')  # 在TensorFlow中变量必须先被定义，变量counter的初始值值为6
 8 print("tf.Variable(6, name='counter')：", state.name, state)
 9 
10 one = tf.constant(1)  # 定义常量one，值为1
11 print("tf.constant(1)：", one)
12 
13 new_value = tf.add(state, one)  # 定义加法步骤，但并没有直接计算
14 print("tf.add(state, one)：", new_value)
15 update = tf.assign(state, new_value)  # 加载new_value到state
16 print("tf.assign(state, new_value)：", update)
17 
18 init = tf.global_variables_initializer()  # 必须初始化变量！
19 
20 # 演示：在Session中完成变量和常量的相加
21 with tf.Session() as sess:
22     sess.run(init)  # 在Session中激活变量
23     for _ in range(3):
24         sess.run(update)  # 在Session调用前面定义的update
25         # print(state)  # 无法打印出state内容
26         print(sess.run(state))  # 需要将Session的指针指向state，才能打印出state内容
27 
28 # ### 变量（Variable）
29 # 定义语法： state = tf.Variable()
30 # 如果定义Variable, 就必须要initialize

 1 # coding=utf-8
 2 import tensorflow as tf
 3 import os
 4 
 5 os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
 6 
 7 input1 = tf.placeholder(tf.float32)  # 定义placeholder的type为float32
 8 input2 = tf.placeholder(tf.float32)
 9 output = tf.multiply(input1, input2)  # 将input1和input2做乘法运算（multiply）并输出为 output
10 
11 with tf.Session() as sess:
12     print(sess.run(output, feed_dict={input1: [8], input2: [2]}))  # 需要传入的值放在feed_dict={}，并一一对应每一个input
13 
14 # ### 传入值（Placeholder）
15 # placeholder是TensorFlow中的占位符，暂时储存变量；
16 # 使用tf.placeholder()可以从外部传入data到TensorFlow；
17 # 传输数据的形式为：“sess.run(***, feed_dict={input: **})”，也就是说通过sess.run()完成传值；