标签:sess 入门 人工智能 求和 variable tf ph numpy 端子
代码实现:
import tensorflow.compat.v1 as tf tf.disable_v2_behavior() # 使用静态图模式运行以下代码 assert tf.__version__.startswith('2.') # 1.创建计算图阶段 # 创建2个输入端子,指定类型和名字 a_ph = tf.placeholder(tf.float32, name='variable_a') b_ph = tf.placeholder(tf.float32, name='variable_b') # 创建输出端子的运算操作,并命名 c_op = tf.add(a_ph, b_ph, name='variable_c') # 2.运行计算图阶段 # 创建运行环境 sess = tf.InteractiveSession() # 初始化操作也需要作为操作运行 init = tf.global_variables_initializer() sess.run(init) # 运行初始化操作,完成初始化 # 运行输出端子,需要给输入端子赋值 c_numpy = sess.run(c_op, feed_dict={a_ph: 2., b_ph: 4.}) # 运算完输出端子才能得到数值类型的c_numpy print('a+b=',c_numpy)
执行结果:
标签:sess,入门,人工智能,求和,variable,tf,ph,numpy,端子 来源: https://www.cnblogs.com/huanghanyu/p/13141341.html
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。