tensorflow中張量，變數，常量進行數值運算都可用符號「+ - * /」，為方便起見，tensorflow中提供了方法。
如:
加法
add = tf.add(a, b)
減法
sub = tf.subtract(a, b)
乘法
mul = tf.multiply(a, b)
除法
div = tf.divide(a, b)
包括矩陣、向量的運算
以上是嚴格按照數學的計算形式，進行計算。
在tensorflow中定義的一維向量（如tf.get_variable(「b」,shape=[3],initializer=tf.constant_initializer(0.1))，結果為：[0.1 0.1 0.1]）是行向量形狀shape（n，），這裡的n代表了行向量中有n個資料，並不是說有n行。
同樣是行向量，在數學概念中是一維的，但是在tensorflow中形狀shape（1，n），代表二維資料。
如在tensorflow中應該這樣定義tf.get_variable(「b」,shape=[1，3],initializer=tf.constant_initializer([0.1,0.1,0.1])),結果為：[[0.1 0.1 0.1]],形狀shape（1，3）
以上兩種定義形式的不同，導致在數**算中的截然不同，同樣也會導致在tensorflow執行時出錯，原本輸入引數是要一維的，但是我們定義了乙個二維的行向量，導致程式出錯。
tensorflow檢視權重引數值
每個框架都有檢視權重引數的機制，在tenstensorflow中 檢視的例子如下 import tensorflow as tf import numpy as np reader tf.train.newcheckpointreader model 100 all variables reader...
Tensorflow中的Lazy load問題
用tensorflow訓練或者inference模型的時候，有時候會遇到執行越來越慢，最終記憶體被佔滿，導致電腦宕機的問題，我們稱之為記憶體溢位。出現這種問題很可能是因為在乙個session中，graph迴圈建立重複的節點所導致的lazy load問題。舉個例子，用tensorflow迴圈做多次加法...
tensorflow中的函式
執行當前tensor的run 操作 a tf.variable tf.ones 10 with tf.session as sess tf.global variables initializer run b sess.run a 1 b a eval 2 print b 中的 1 2 行的功能一樣...