1 # coding=utf-8
 2 import tensorflow as tf
 3 import os
 4 
 5 os.environ[‘TF_CPP_MIN_LOG_LEVEL‘] = ‘2‘
 6 
 7 x = tf.constant([5.6], name="x_const")  # tf.constant定义标量整数常量并传入值
 8 y = tf.Variable([0], name="y_Variable")  # tf.Variable定义变量并传入默认值
 9 y = y.assign([3])  # 分配一个值
10 
11 with tf.Session() as sess:  # 图必须在会话中运行，会话存储了它所运行的图的状态
12     initialization = tf.global_variables_initializer()  # 使用tf.Variable时，必须在会话开始时明确初始化变量
13     print("x: {}".format(sess.run(x)))
14     print("y: {}".format(sess.run(y)))

 1 # coding=utf-8
 2 import tensorflow as tf
 3 import os
 4 
 5 os.environ[‘TF_CPP_MIN_LOG_LEVEL‘] = ‘2‘
 6 
 7 g = tf.Graph()  # 创建图，虽然TensorFlow提供一个默认图，仍建议创建自己的Graph，以便跟踪状态
 8 
 9 with g.as_default():  # 将定义的图作为默认
10     x = tf.constant(8, name="x_const")  # tf.constant定义标量整数常量并传入值
11     y = tf.constant(5, name="y_const")
12     z = tf.constant(4, name="z_const")
13     sum1 = tf.add(x, y, name="x_y_sum")  # tf.add相加
14     sum2 = tf.add(z, sum1, name="x_y_z_sum")
15     with tf.Session() as sess:  # 图必须在会话中运行
16         print("sum1: {}".format(sum1.eval()))
17         print("sum2: {}".format(sum2.eval()))

 1 # coding=utf-8
 2 import tensorflow as tf
 3 import os
 4 
 5 os.environ[‘TF_CPP_MIN_LOG_LEVEL‘] = ‘2‘
 6 
 7 try:
 8     tf.contrib.eager.enable_eager_execution()
 9     print("TF imported with eager execution!")
10 except ValueError:
11     print("TF already imported with eager execution!")
12 
13 # ### 矢量（一维张量）加法
14 primes = tf.constant([2, 3, 5, 7, 11, 13], dtype=tf.int32)  # 包含质数的primes矢量
15 ones = tf.ones([6], dtype=tf.int32)  # 值全为1的ones矢量
16 just_beyond_primes = tf.add(primes, ones)  # 通过对前两个矢量执行元素级加法而创建的矢量
17 twos = tf.constant([2, 2, 2, 2, 2, 2], dtype=tf.int32)
18 primes_doubled = primes * twos  # 通过将primes矢量中的元素翻倍而创建的矢量
19 print("primes: ", primes)
20 print("ones: ", ones)
21 print("just_beyond_primes: ", just_beyond_primes)
22 print("primes_doubled: ", primes_doubled)
23 
24 some_matrix = tf.constant([[1, 2, 3], [4, 5, 6]], dtype=tf.int32)
25 print("some_matrix: ", some_matrix)  # 输出张量将返回其值、形状以及存储在张量中的值的类型
26 print("value of some_matrix is:\n", some_matrix.numpy())  # 调用张量的numpy方法会返回该张量的值（以NumPy数组形式）
27 
28 # ### 张量形状
29 scalar = tf.zeros([])  # 标量
30 vector = tf.zeros([3])  # 值全为0的矢量
31 matrix = tf.zeros([2, 3])  # 值全为0的2行3列矩阵
32 print(‘scalar has shape：‘, scalar.get_shape(), ‘and value:\n‘, scalar.numpy())
33 print(‘vector has shape：‘, vector.get_shape(), ‘and value:\n‘, vector.numpy())
34 print(‘matrix has shape：‘, matrix.get_shape(), ‘and value:\n‘, matrix.numpy())
35 
36 # ### 广播
37 primes2 = tf.constant([2, 3, 5, 7, 11, 13], dtype=tf.int32)
38 ones2 = tf.ones(1, dtype=tf.int32)  # 使用的是标量值（不是全包含1矢量）和广播
39 just_beyond_primes2 = tf.add(primes2, ones2)
40 twos2 = tf.constant(2, dtype=tf.int32)  # 使用的是标量值（不是全包含 2 的矢量）和广播
41 primes_doubled2 = primes2 * twos2
42 print("primes2: ", primes2)
43 print("ones2: ", ones2)
44 print("just_beyond_primes2: ", just_beyond_primes2)
45 print("primes_doubled2: ", primes_doubled2)
46 
47 # ### 矢量加法
48 # 可以对张量执行很多典型数学运算：https://www.tensorflow.org/api_docs/python/tf/math；
49 # 输出张量将返回其值、形状以及存储在张量中的值的类型；
50 # 调用张量的numpy方法会返回该张量的值（以NumPy数组形式）；
51 #
52 # ### 张量形状（shape）
53 # 形状（shape）用于描述张量维度的大小和数量；
54 # 张量的形状表示为list，其中第i个元素表示维度i的大小；
55 # 列表的长度表示张量的阶（即维数）；
56 #
57 # ### 广播
58 # TensorFlow支持广播（一种借鉴自NumPy的概念）；
59 # 利用广播，元素级运算中的较小数组会增大到与较大数组具有相同的形状；