tensorflow-base_operations

# -*- coding: utf-8 -*-
import tensorflow as tf
# 基本的常量操作，通过构造函数返回值 定义值的操作operations
a = tf.constant(2)
b = tf.constant(3)
# 启动默认 图形实例sess
#支持运算
with tf.Session() as sess:
    print("a: %i" % sess.run(a), "b: %i" % sess.run(b))
    print("a * b = %i" % sess.run(a*b))
    print("a * b = %i" % sess.run(a*4))
'''
# 基本操作之 将值以图像形式输出
# 构造函数返回的值为输出的对象
# 通过Session().run()定义为输出对象
# tf图像对象 输入
a = tf.pleaseholder(tf.int16) # pleaseholder 买主
b = tf.pleaseholder(tf.int16)
'''
# 定义值
add = tf.add(a, b)
mul = tf.multiply(a, b)
# 启动tf的图像实例
with tf.Session() as sess:
    # 进行每个操作op 输入
    print('Addition with variable: %i' %(sess.run(add, feed_dict={a:2,b:3})))
    print('Addition with variable: %i' %(sess.run(add)))
    print('multiplication with variable： %i' % sess.run(mul, feed_dict={a:2,b:3}))
    print('multiplication with variable： %i' % sess.run(mul, feed_dict={a:3,b:3})) # feed_dict传入的参数
    print('multiplication with variable： %i' % sess.run(mul, feed_dict={a:3,b:3})) # key value
# 创建一个产生1x2矩阵matrix的常量操作
# 在图形中添加一个节点
'''在线性空间中选定基之后，向量刻画对象，矩阵刻画对象的运动，用矩阵与向量的乘法施加运动。
若矩阵A与B是同一个线性变换的两个不同的描述（之所以会不同，是因为选定了不同的基，也就是选定了不同的坐标系），
则一定能找到一个非奇异矩阵P，使得A、B之间满足这样的关系：A = P-1BP  P的负一次方
矩阵的本质是运动的描述
矩阵是线性空间里跃迁的描述
矩阵是线性空间里的变换的描述
'''
matrix1 = tf.constant([[3., 3.]])
matrix2 = tf.constant([[3.], [3.]])
product = tf.matmul(matrix1, matrix2)
with tf.Session() as sess:
    result1 = sess.run(matrix1)
    result2 = sess.run(matrix2)
    result3 = sess.run(product)
    print(result1, result2, '--', result3)