tf中的op、placeholder

标签：input1 定义 tf placeholder float32 op

学习博客：https://www.jianshu.com/p/31880cc88ae7

tensorflow是一个“符号式编程框架”，所有的计算步骤（包括数据定义等等）都要在一个graph中事先定义好，然后通过session来执行这个graph（全部或部分），得到结果。

所以可见在tf中session是 最重要的部分之一

一开始看到很多 博文都在写op，不懂在说什么，所以查了一下：

op就是操作

所谓op就是operation，“操作”的意思。在tensorflow中op不仅包括加、减、乘、除等所有计算方式，同时也包括常量定义、变量定义、占位符定义等等。例如tf.constant()，tf.add()，tf.mul()等等都是op，都要通过session运行，才能得到结果 所以 这里来说，op就是操作的统称   很多人会以为tf.Variable()也是op，其实不是。tensorflow里，一般，首字母大写的是类，而首字母小写的才是op。 tf.Variable()就是一个类，不过它包含了各种op，比如你定义了x = tf.Variable([2, 3], name = 'vector')，那么x就具有如下op：
x.initializer # 对x做初始化，即赋值为初始值[2, 3]
x.value() # 获取x的值
x.assign(...) # 赋值操作
x.assign_add(...) # 加法操作
顺便在这片 博文中也懂了什么是placeholder placeholder，翻译过来就是“占位符”。其实它类似于函数里的自变量。比如z = x + y，那么x和y就可以定义成占位符。占位符，顾名思义，就这是占一个位子，平时不用关心它们的值，当你做运算的时候，你再把你的数据灌进去就行了

# 以下在默认graph中定义op
a = tf.placeholder(tf.float32, shape=[3]) # a是一个有三个元素的向量
b = tf.constant([5, 5, 5], tf.float32)
c = a + b
# 以下定义session
with tf.Session() as sess:
    print( sess.run(c, feed_dict = {a: [1, 2, 3]})) # 把[1, 2, 3]灌到a里去

import tensorflow as tf

# input1  = tf.placeholder(tf.float32,[2,2])
#这里加[2,2]就是 定义input1是一个两行两列的运算
input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)
output = tf.multiply(input1,input2)#mul就是进行乘法运算

with tf.Session() as sess:
    print(sess.run(output,feed_dict={input1:[7.],input2:[2.]}))
#feed_dict表示的是字典 所以input1:[7.],input2:[2.]是键值对的形式
#7.是 7.0

这个代码中multiply一开始是mul，运行的时候会报错，因为mul升级到multiply了

标签：input1,定义,tf,placeholder,float32,op
From： https://www.cnblogs.com/bokeyuanjj/p/16825204.html