第一节，基本用法

# -*- coding: utf-8 -*-
"""
Created on Sat Mar 31 16:54:02 2018

@author: Administrator
"""

#TensorFlow第一节

import tensorflow as tf

‘‘‘
构建阶段：op 的执行步骤被描述成一个图
‘‘‘

#创建一个常量op,产生一个1 x 2矩阵，这个op被称做一个节点，加到默认图中，构造器的返回值代表常量op的输出
matrix1 = tf.constant([[3.,3.]])

#创建另一个常量op。产生一个2 x 1的矩阵
matrix2 = tf.constant([[2.],[2.]])

#创建一个矩阵乘法 matmul op，把matrix1和matrix2作为输入
product = tf.matmul(matrix1,matrix2)

‘‘‘
默认图现在有三个节点，两个常量 constant() op和一个 matmul() op，wile真正进行矩阵相乘运算，并得到矩阵
乘法的结果，你必须载会话中启动这个图
‘‘‘
‘‘‘
执行阶段：使用会话执行执行图中的 op.
‘‘‘
#构造阶段完成后，才能启动图，启动图的第一步是创建一个Session对象，如果无任何创建函数，会话构造器将启动默认图
sess = tf.Session()

‘‘‘
调用sess的run()方法来执行矩阵乘法op,传入product作为该方法的参数，上面提到，product代表矩阵乘法op的输出
#传入它是向方法表明，我们希望取回矩阵乘法op的输出
整个执行过程是自动化的，会话负责传递op所需的全部输入，op通常是并发执行的
函数调用run(product)触发了图中三个op的执行
返回值result是一个numpy.ndarray对象
‘‘‘

result = sess.run(product)
print(result)                         #[[ 12.]]

#任务完毕，关闭会话，Session对象在使用完毕后需要关闭以释放资源，除了显示调用close()外，也可以使用with代码块
sess.close()


‘‘‘
在实现上, TensorFlow 将图形定义转换成分布式执行的操作, 以充分利用可用的计算资源(如 CPU 或 GPU).
一般你不需要显式指定使用 CPU 还是 GPU, TensorFlow 能自动检测. 如果检测到 GPU, TensorFlow 会尽
可能地利用找到的第一个 GPU 来执行操作.
如果机器上有超过一个可用的 GPU, 除第一个外的其它 GPU 默认是不参与计算的. 为了让 TensorFlow 使用
这些 GPU, 你必须将 op 明确指派给它们执行. with...Device 语句用来指派特定的 CPU 或 GPU 执行操作:
‘‘‘

‘‘‘
设备用字符串进行标识. 目前支持的设备包括:
    "/cpu:0": 机器的 CPU.
    "/gpu:0": 机器的第一个 GPU, 如果有的话.
    "/gpu:1": 机器的第二个 GPU, 以此类推.
‘‘‘
with tf.Session() as sess:
    with tf.device("/cpu:0"):
        print(sess.run(product))             #[[ 12.]]
        
        
‘‘‘
交互式使用
文档中的python实例使用一个会话Seesion来启动图，并调用Session.run()方法执行操作
为了方便使用诸如IPython之类的Python交互环境，可以使用InteractiveSession替代Session类，使用Tensor.eval()
和Operation.run()方法来代替Session.run()，这样可以避免使用一个变量来持有会话
‘‘‘
#进入一个交互式TensorFlow会话
sess = tf.InteractiveSession()

x = tf.Variable([1.0,2.0])
a = tf.constant([3.0,3.0])

#使用初始化器 initinalizer op的run()初始化x
x.initializer.run()

#增加一个减去sub op,从 x 减去 a，运行减去op，输出结果
sub = tf.subtract(x,a)
print(sub.eval())               #[-2. -1.]

#创建一个变量，初始化为标量0
state = tf.Variable(0,name = ‘counter‘)

#创建一个op，其作用是使state增1
one = tf.constant(1)
new_value = tf.add(state,one)

‘‘‘
assign()操作室图所描述的表达式的一部分，正如add()操作一样，所以在调用run()执行表达式之前，它并不会
正则执行赋值操作

通常会将一个统计模型中的参数表示为一组变量. 例如, 你可以将一个神经网络的权重作为某个变量存储在一个 
tensor 中. 在训练过程中, 通过重复运行训练图, 更新这个 tensor.
‘‘‘
update = tf.assign(state,new_value)

#启动图后，变量必须先经过‘初始化‘ op 
#首先必须增加一个 ‘初始化‘ op 到图中
init_op = tf.global_variables_initializer()

#启动图，运行op
with tf.Session() as sess:
    sess.run(init_op)
    #打印state初始值
    print(sess.run(state))             #0
    #运行op,更新state,并打印
    for _ in range(3):
        sess.run(update)
        print(sess.run(state))      #1  2  3

in1 = tf.constant(1.0)
in2 = tf.constant(2.0)
in3 = tf.constant(3.0)
intermed = tf.add(in1,in2)
mul = tf.multiply(in2,in3)

#需要获取多个tensor，在op的一次运行中一起获得。
with tf.Session() as sess:
    re = sess.run([intermed,mul])
    print(re)                 #[3.0, 6.0]

input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)
output = tf.multiply(input1, input2)

#使用7替代input1,2替代input2，feed操作相当于设置一个占位符
with tf.Session() as sess:
  print(sess.run([output], feed_dict={input1:[7.], input2:[2.]}))    #[array([ 14.], dtype=float32)]