一、计算图中的操作
在这个例子中，我们将结合前面所学的知识，传入一个列表到计算图中的操作，并打印返回值：
声明张量和占位符。这里，创建一个numpy数组，传入计算图操作：
import tensorflow as tf import numpy as np # Create graph sess = tf.Session() # Create data to feed in x_vals = np.array([1., 3., 5., 7., 9.]) x_data = tf.placeholder(tf.float32) m = tf.constant(3.) # Multiplication prod = tf.multiply(x_data, m) for x_val in x_vals: print(sess.run(prod, feed_dict={x_data: x_val}))
输出：
3.0 9.0 15.0 21.0 27.0
在下面这个例子中，我们将学习如何在同一个计算图中进行多个乘法操作。
下面我们将用两个矩阵乘以占位符，然后做加法。传入两个矩阵（三维numpy数组）：
我们将传入两个形状为3×5的numpy数组，然后
每个矩阵乘以常量矩阵（形状为：5×1），将返回一个形状为3×1的矩阵。紧接着再乘以1×1的矩阵，返回的
结果矩阵仍然为3×1。最后，加上一个3×1的矩阵，示例如下：
1.首先，创建数据和占位符：
# Create graph sess = tf.Session() # Create data to feed in my_array = np.array([[1., 3., 5., 7., 9.], [-2., 0., 2., 4., 6.], [-6., -3., 0., 3., 6.]]) x_vals = np.array([my_array, my_array + 1]) x_data = tf.placeholder(tf.float32, shape=(3, 5))
2.接着，创建矩阵乘法和加法中要用到的常量矩阵：
m1 = tf.constant([[1.],[0.],[-1.],[2.],[4.]]) m2 = tf.constant([[2.]]) a1 = tf.constant([[10.]])
原文：https://www.cnblogs.com/xinmomoyan/p/10782374.html