Session（会话）

简单说就是使用实际数据和模型进行运算，使用步骤包括定义，执行和关闭三步，语法如下所示：

# 定义
sess = tf.Session(target=执行引擎[可选],graph=数据流图[可选],config=启动时配置[可选])
# 执行
sess.run(带操作的变量或操作本身)
# 关闭
sess.close()

Tensor（张量）

简单说就是


同一数据类型


的


多维数据


。我们生活在3维世界中，高于3维的数据现实中比较难现象，以常用的0-3维数据为例说明如下表所示，其中有两个特点：

1. 同一数据类型（方便计算）
2. 多维数组

Operation（计算节点）

简单说就是函数计算，相当于通过函数对特定步骤的计算，常规的语法中的基础数学函数基本都有，常用的计算操作类型如下：

Variable（存储节点）

简单说就是一种变量，生成一种常驻于内存中的特殊类型的张量，用于在数据流图计算中存储特定节点的状态。数据类型有字符串、整型、浮点型和复数类型，使用的语法为：

# 变量定义
tmpVariable = tf.Variable(initial-value=初始值，dtype=数据类型[可选],name=变量名称[可选])
# 变量赋值
tmpVariable.assign(1.0) #类似 tmpVariable = 1.0
tmpVariable.assign_add(1.0) #类似 tmpVariable += 1.0
# 使用变量
z = tf.matmul(x,y) #类似 z = x * y

实际代码示例如下：

# 变量定义示例
tmpStr = tf.Variable("hello",tf.string)
tmpInt = tf.Variable(100,tf.int16)
tmpFloat = tf.Variable(1.0,tf.float64)
tmpComplex = tf.Variable(1+2j,tf.complex64)
# 变量赋值示例
my1 = tf.Variable(initial_value=[1,2,3],dtype=tf.int16,name='one')
my2 = tf.Variable(initial_value=[2,3,4],dtype=tf.int16,name='two')
[my1,my2]
sess = tf.Session()
sess.run(tf.global_variables_initializer())
sess.run([my1,my2])
# 相当于 my1 += my2 
sess.run(my1.assign_add(my2))
# 相当于 my1 = my2 
sess.run(my1.assign(my2))

执行结果如下：

Placeholder（数据节点）

简单说就是可扩展变量，或者称为占位符，使用步骤为先进行定义，然后再进行赋值或称为填充数据，具体语法如下：

# 定义
tmp = tf.placeholder(dtype=数据类型,shape=维度,name=变量名称[可选])
# 赋值或填充数据
sess.run(tmp,feed_dict={tmp:赋值数据})

实际代码示例如下：

tmpHolder = tf.placeholder(dtype=tf.float64, shape=[2],name='suoxd')
sess.run(tmpHolder,feed_dict={tmpHolder:[1,2]})

执行结果如下：

欢迎关注公众号，一起学习进步。