几个例子后，就可以和tensorflow 愉快的玩耍

一、背景

Keras的易用，pytorch的直观，但是总避不开tensorflow毕竟谷狗大佬的，范围很广，从阿尔法狗由谷狗带火，AI热起来，但是tensorflow大部分人还是有点抗拒的，分析原因

1.不符合程序员直觉（程序员的直觉是代码可以一行行的运行，每一行就会有结果）

2.tensorflow接口众多，写个矩阵乘tf.multiply tf.matmul等等要区分

 

二、解决方法

1.理解tensorflow的思路

俗话说，不能避开就接受它，那么就理解tensorflow的思路，就是先建立图（graph）,然后建立回话（Session），在session中调用sess.run（tensor）的结果。

2.让自己直觉理解它

2.1 怎么直觉理解呢，我的直觉就是例子来理解，用常数去做一些矩阵的运算。

#  矩阵转置，矩阵乘，矩阵的平方（其实是想得到特征的模）
import tensorflow as tf
with tf.device('/cpu:0'):
    sess = tf.Session()
    a =tf.constant([[1,2 ,3], [4 ,5, 6]])
    print("a.shape:",a.shape,sess.run(a))
    print("a的转置 a.transpose:",sess.run(tf.transpose(a)))
    b =tf.constant([[1,2 ,3], [4 ,5, 6]])
    print('\n 元素乘 a*b:',sess.run(a*b))
    print("元素乘 tf.multiply(a,b):",sess.run(tf.multiply(a,b)))
    print("\n 矩阵乘 tf.matmul:",sess.run(tf.matmul(a,tf.transpose(b))))
    
    
    
    a_square = tf.square(a)
    print("平方",sess.run(a_square))
    a_sum= tf.reduce_sum(a_square,1)
    print("平方和:",sess.run(a_sum))
    

2.2 numpy的矩阵运算是比较直观的，所以可以用numpy类推，加深理解。

其实可能tensorflow底层是不是就是和numpy类似的呢，可能！说白了现在深度所有的多维运算都是矩阵运算或者它的扩展。没啥神奇的。深度学习后面发展的逻辑因果符号运算可能会不同，扯远了。

import numpy as np
A = np.array([[1,2 ,3], [4 ,5, 6]])
B = np.array([[1,2 ,3], [4 ,5, 6]])
print(A.shape,A)
print("a转置:",A.T)
print('\n 元素乘 a*b:',A*B)
print("元素乘numpy.multiply:",np.multiply(A,B))

print("\n 矩阵乘 numpy.dot(A,B):",np.dot(A,B.T))

附上一个小彩蛋

矩阵里面一个遇到最多的axis参数，终结它

设axis=i，则numpy沿着第i个下标变化的放下进行操作。例如刚刚的例子，可以将表示为：data =[[a00, a01],[a10,a11]]，所以axis=0时，沿着第0个下标变化的方向进行操作，也就是a00->a10, a01->a11，也就是纵座标的方向，axis=1时也类似。下面我们举一个四维的求sum的例子来验证一下： 

import numpy as np
data =[[1, 2],[3,4]]
print(f'data:{data}')
print(f"axis = 0: {np.sum(data,axis=0)}")
print(f"axis =1: {np.sum(data,axis=1)}")

# 结果
# data:[[1, 2], [3, 4]]
# axis = 0: [4 6]
# axis =1: [3 7]