tensorflow简介，常量，变量用法

TensorFlow是一个基于数据流编程（dataflow programming）的符号数学系统，被广泛应用于各类机器学习（machine learning）算法的编程实现，其前身是谷歌的神经网络算法库DistBelief 。
Tensorflow拥有多层级结构，可部署于各类服务器、PC终端和网页并支持GPU和TPU高性能数值计算，被广泛应用于谷歌内部的产品开发和各领域的科学研究
TensorFlow由谷歌人工智能团队谷歌大脑（Google Brain）开发和维护，拥有包括TensorFlow Hub、TensorFlow Lite、TensorFlow Research Cloud在内的多个项目以及各类应用程序接口（Application Programming Interface, API） [2]  。自2015年11月9日起，TensorFlow依据阿帕奇授权协议（Apache 2.0 open source license）开放源代码  

高阶接口
Keras
TFLearn
Sonnet

计算图方法（graph）
第1阶段: 创建graph
第2阶段: 使用会话(session)在graph中执行操作

常量用法：
import tensorflow as tf
a = tf.constant(2)
b = tf.constant(3)
x = tf.add(a, b)
with tf.Session() as sess:
  print(sess.run(x))
  
保存图
writer = tf.summary.FileWriter('./graphs', tf.get_default_graph())
with tf.Session() as sess:
#第二种保存方法
# writer = tf.summary.FileWriter('./graphs', sess.graph) 
    print(sess.run(x))
#用完关闭
writer.close()

利用tensorboard对上面保存的图进行可视化
tensorboard --logdir="./graphs" --port 6006
python –m tensorboard.main --logdir="./graphs" --port 6006

修改tensor名称
a = tf.constant(2, name='a')
b = tf.constant(3, name='b')
x = tf.add(a, b, name='add')

变量定义方法（两种）
s = tf.Variable(2, name="scalar") 
m = tf.Variable([[0, 1], [2, 3]], name="matrix") 
W = tf.Variable(tf.zeros([784,10]))

s = tf.get_variable("scalar", initializer=tf.constant(2)) 
m = tf.get_variable("matrix", initializer=tf.constant([[0, 1], [2, 3]]))
W = tf.get_variable("big_matrix", shape=(784, 10), initializer=tf.zeros_initializer())

使用变量前先要初始化
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())#所有变量都初始化
    
W = tf.Variable(tf.zeros([784,10]))
with tf.Session() as sess:
    sess.run(W.initializer)#只初始化某个变量
    print(W)
输出值
    print(W.eval())

给变量赋值
tf.Variable.assign()
W = tf.Variable(10)
assign_op = W.assign(100)
with tf.Session() as sess:
    sess.run(W.initializer)
    print(W.eval())
    sess.run(assign_op)
    print(W.eval())

#使用运算赋值

import tensorflow as tf
my_var = tf.Variable(2, name="my_var") 

# 乘2运算
my_var_times_two = my_var.assign(2 * my_var)

with tf.Session() as sess:
    sess.run(my_var.initializer)
    sess.run(my_var_times_two)                 # >> the value of my_var now is 4
    print(my_var.eval())
    sess.run(my_var_times_two)                 # >> the value of my_var now is 8
    print(my_var.eval())
    sess.run(my_var_times_two)                 # >> the value of my_var now is 16
    print(my_var.eval())
   
#每个会话独自保存计算结果

import tensorflow as tf
W = tf.Variable(10)

sess1 = tf.Session()
sess2 = tf.Session()

sess1.run(W.initializer)
sess2.run(W.initializer)

print(sess1.run(W.assign_add(10)))         # >> 20
print(sess2.run(W.assign_sub(2)))         # >> 8

print(sess1.run(W.assign_add(100)))         
print(sess2.run(W.assign_sub(50)))  

sess1.close()
sess2.close()


控制操作顺序
tf.Graph.control_dependencies(control_inputs)

g = tf.get_default_graph()
#g中有a,b,c,de
with g.control_dependencies([a, b, c]):
    d = ...
    e = …
#先进行a,b,c操作