TensorFlow編程入門

feed_dict 使用

1.輸出 Hello World

Str = tf.placeholder(tf.string)

with tf.Session() as sess:
    output = sess.run(Str, feed_dict={Str: 'Hello World !'})
    print(output)

Hello World !

2.字符串拼接

Str1 = tf.placeholder(tf.string)
Str2 = tf.placeholder(tf.string)
Str3 = tf.placeholder(tf.string)

Str = tf.string_join([Str1, Str2, Str3], separator=" ") 

with tf.Session() as sess:
    output = sess.run(Str, feed_dict={Str1: 'I', Str2: 'like', Str3: 'TensorFlow !'})
    print(output.decode())

I like TensorFlow !

3.浮點數乘積
4.不用佔位符，而用常量，也可完成
5.矩陣乘法；使用 feed_dict完成矩陣乘法

broadcasting機制

xs = tf.placeholder(tf.float32, [None, 1])
Weight = tf.Variable(tf.random_normal([1, 10]))
biases = tf.Variable(tf.zeros([1, 10]) + 0.1) 
tf.matmul(xs, Weight) + biases

一個$300*10$的矩陣和一個$1*10$的向量相加。和直覺相悖。 其實是在tensorflow中允許矩陣和向量相加，即 $C_{i,j}=A_{i,j}+b_j$，也就是給矩陣A的每一行都加上向量b。 那麼這至少要求矩陣的列數和向量的元素個數對齊。 這種隱式的複製向量b到很多位置的辦法，叫做broadcasting。廣播機制。

reduce_sum函數

reduce_sum() 就是求和，由於求和的對象是tensor，所以是沿着tensor的某些維度求和。函數名中加了reduce是表示求和後會降維，當然可以通過設置參數來保證不降維，但是默認就是要降維的。

reduce_sum(input_tensor,axis=None,keep_dims=False,name=None,reduction_indices=None)

1）input_tensor：輸入的張量。
2）axis：沿着哪個維度求和。
對於二維的input_tensor張量，0表示按列求和，1表示按行求和，[0, 1]表示先按列求和再按行求和。
3）keep_dims：默認值爲Flase，表示默認要降維。若設爲True，則不降維。
4）name：名字。
5）reduction_indices：默認值是None，即把input_tensor降到 0維，也就是一個數。
對於2維input_tensor，reduction_indices=0時，按列；reduction_indices=1時，按行。
注意，reduction_indices與axis不能同時設置。

# 'x' is [[1, 1, 1]
#         [1, 1, 1]]
#求和
tf.reduce_sum(x) ==> 6

#按列求和
tf.reduce_sum(x, 0) ==> [2, 2, 2]

#按行求和
tf.reduce_sum(x, 1) ==> [3, 3]

#按照行的維度求和
tf.reduce_sum(x, 1, keep_dims=True) ==> [[3], [3]]

#行列求和
tf.reduce_sum(x, [0, 1]) ==> 6