tensorflow-base_operations

# -*- coding: utf-8 -*-
import tensorflow as tf
# 基本的常量操作，通過構造函數返回值 定義值的操作operations
a = tf.constant(2)
b = tf.constant(3)

# 啟動默認 圖形實例sess
#支持運算
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 將值以圖像形式輸出
# 構造函數返回的值為輸出的對象
# 通過Session().run()定義為輸出對象
# tf圖像對象 輸入
a = tf.pleaseholder(tf.int16) # pleaseholder 買主
b = tf.pleaseholder(tf.int16)
'''
# 定義值
add = tf.add(a, b)
mul = tf.multiply(a, b)

# 啟動tf的圖像實例
with tf.Session() as sess:
    # 進行每個操作op 輸入
    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傳入的參數
    print('multiplication with variable： %i' % sess.run(mul, feed_dict={a:3,b:3})) # key value

# 創建一個產生1x2矩陣matrix的常量操作
# 在圖形中添加一個節點
'''在線性空間中選定基之后，向量刻畫對象，矩陣刻畫對象的運動，用矩陣與向量的乘法施加運動。
若矩陣A與B是同一個線性變換的兩個不同的描述（之所以會不同，是因為選定了不同的基，也就是選定了不同的坐標系），
則一定能找到一個非奇異矩陣P，使得A、B之間滿足這樣的關系：A = P-1BP  P的負一次方
矩陣的本質是運動的描述
矩陣是線性空間里躍遷的描述
矩陣是線性空間里的變換的描述

'''
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)