一、Placeholder

Tensorflow的設計理念稱之為計算流圖，在編寫程序時，首先構筑整個系統的graph，代碼并不會直接生效，這一點和python的其他數值計算庫(如Numpy等)不同，graph為靜態的，類似于docker中的鏡像。然后，在實際的運行時，啟動一個session，程序才會真正的運行。這樣做的好處就是：避免反復地切換底層程序實際運行的上下文，tensorflow幫你優化整個系統的代碼。我們知道，很多python程序的底層為C語言或者其他語言，執行一行腳本，就要切換一次，是有成本的，tensorflow通過計算流圖的方式，幫你優化整個session需要執行的代碼，還是很有優勢的。

所以placeholder()函數是在神經網絡構建graph的時候在模型中的占位，此時并沒有把要輸入的數據傳入模型，它只會分配必要的內存。等建立session，在會話中，運行模型的時候通過feed_dict()函數向占位符喂入數據。 importtensorflowastfdata1=tf.placeholder(tf.float32)#placeholder占位符data2 = tf.placeholder(tf.float32)dataAdd = tf.add(data1,data2)with tf.Session() as sess: print(sess.run(dataAdd,feed_dict={data1:6,data2:2}))　　　　#feed_dict賦值/參數輸出:8.0二、矩陣運算矩陣相乘分為兩種：1是正常的矩陣相乘，要求第一個矩陣的列和第二個矩陣的行相等。2是兩個矩陣對應位置的數相乘，類似于加法，只是將+變成了* importtensorflowastfdata1=tf.constant([[1,2]])data2=tf.constant([[2],[2]])withtf.Session()assess:dataAdd=tf.add(data1,data2)datamul=tf.multiply(data1,data2)#矩陣1/2對應位置的數相乘datamat=tf.matmul(data1,data2)#矩陣1*2print(sess.run([dataAdd,datamul,datamat]))輸出：

三、初始化矩陣 mat0=tf.zeros([2,3])#創建值全為0的兩行三列矩陣mat1 = tf.ones([2,3])　　　　#創建值全為1的兩行三列矩陣　　mat2 = tf.fill([2,3],8)　　　　#創建值全為8的兩行三列矩陣mat3 = tf.zeros_like(mat1)　　　　#將矩陣mat1的值全部變成0mat4 = tf.random_uniform([2,3],-2,1)　　　　#創建值是-2到1之間的隨機數的兩行三列矩陣

來源：博客園

作者：Bambo0

鏈接：https://www.cnblogs.com/cxxBoo/p/11443737.html

總結

以上是生活随笔為你收集整理的tf 矩阵行和列交换_tf矩阵基础的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。