# Tensorflow
## import tensorflow as tf
## tf.add()
進行兩個變數的加減。
<span style = "color:red">tf.math.add(x, y, name=None)</span>

x = [1,2,3,4,5]
y = 2
print(tf.add(x,y))#output:tf.Tensor([3 4 5 6 7], shape=(5,), dtype=int32)

上述程式可以看做下面這段程式：

import tensorflow as tf
x = tf.convert_to_tensor([1,2,3,4,5])
y = tf.convert_to_tensor(2)
print(x+y)

或者可以相加兩個一維張量：

import tensorflow as tf
x = tf.constant([1,2,3,4,5])
y = tf.constant([1,1,1,1,1])
tf.add(x,y)#output = <tf.Tensor: shape=(5,), dtype=int32, numpy=array([2, 3, 4, 5, 6], dtype=int32)>

## convert_to_tensor()
<span style = "color:red">tf.convert_to_tensor(value, dtype=None, dtype_hint=None, name=None)</span>
將一個變數轉成tensor的形式。
如果將一個tensor和一個non-tensor做運算，可能會發生不可預期的事。

def func(val):
  val = tf.convert_to_tensor(val)
  return val
v1 = func(tf.constant([[1,2,3],[4,5,6]]))
print(v1)

## TF變數
常見的TF的變數主要有兩種，tf.constant、tf.Variable，後面會一個一個介紹。
## tf.constant()
<span style = "color:red">tf.constant(value, dtype=None, shape=None, name='Const')</span>
在constant()裡可以放個種資料型態例如：

a = tf.constant([1,2,3,4,5])
b = tf.constant(5.5)
c = tf.constant("string")
print(a)
print(b)
print(c)

## tf.Variable()
tf.Variable()通常是放置可學習的變數，或者將可求導的變數，例如神經網路中的權重(weight)或偏值(bias)，
<span style = "color:red">tf.Variable(
initial_value=None, trainable=None, validate_shape=True, caching_device=None,
name=None, variable_def=None, dtype=None, import_scope=None, constraint=None,
synchronization=tf.VariableSynchronization.AUTO,
aggregation=tf.compat.v1.VariableAggregation.NONE, shape=None
)</span>

import tensorflow as tf
a = tf.ones(3,dtype = tf.int64)
b = tf.Variable(a,name = 'one')
print(a)
print(b)

接著如果要輸出一個變數的數字，可以用下面這段code，要注意，下方的code有一個地方一定要加，否則會error。

import tensorflow.compat.v1 as tf

tf.disable_v2_behavior()

a = tf.Variable(5)
b = tf.Variable(10)
sess = tf.Session()
sess.run(tf.global_variables_initializer())
print(sess.run(a))
print(sess.run(b))
sess.close()

上述的code一定要加sess.run(tf.global_variables_initializer())，這是將variable初始化，所以在輸出前一定要加上這行。

接著下面那段程式碼是在進行輸出1~5。

import tensorflow.compat.v1 as tf
import numpy as np

tf.disable_v2_behavior()

state = tf.Variable(0,name = 'counter')
one = tf.constant(1)

new_value = tf.add(state,one)
update = tf.assign(state,new_value)
init = tf.initialize_all_variables()
with tf.Session() as sess:
  sess.run(init)
  for i in range(5):
    sess.run(update)
    print(sess.run(state))

首先我們設一個變量叫state，接著設一個常量叫one，而我們將state+one等於new_value，接著要直接改變state，所以將new_value的值直接賦予給state，然後看到15行，我們將state一直更新，最後將它輸出，即可得到我們要的結果。
## tf.Session()
tensorflow是基於graph的架構，而Session是graph和執行者之間的媒介，由Session來啟動graph，而Session.run()是用來進行操作的，而且Session用完需要close()來釋放資源，而在之前相信各位有用過with as來開起的file，在這邊可以使用這個方式，使用這個方式可以不用輸入close()。

首先先看沒有Session()的時候宣告一個常量：

import tensorflow.compat.v1 as tf

tf.disable_v2_behavior()

c = tf.constant(10)
print(c)#output:Tensor("Const_11:0", shape=(), dtype=int32)

可以看到雖然我們有賦值，但他依然顯示0，這時我們要使用Session來使他依照我們要求輸出：

import tensorflow.compat.v1 as tf

tf.disable_v2_behavior()

c = tf.constant(10)
sess = tf.Session()
print(sess.run(c))
sess.close()

import tensorflow.compat.v1 as tf

tf.disable_v2_behavior()

c = tf.constant(10)
with tf.Session() as sess:
  c = sess.run(c)
  print(c)

上面兩種效果皆相同，輸出皆為10。
## tf.matmul()
做矩陣乘法，用法:

import tensorflow.compat.v1 as tf

tf.disable_v2_behavior()

m1 = tf.constant([[3,3]])
m2 = tf.constant([[2],[2]])
multi = tf.matmul(m1,m2)

sess = tf.Session()
output = sess.run(multi)
print(output)
sess.close()

## tf.reduce_mean()
將張量tensor取平均，而我可以在第二個參數中加入一個數代表我要沿著哪個維度做平均。

import tensorflow.compat.v1 as tf

tf.disable_v2_behavior()
sess = tf.Session()
a = tf.constant([[1,10,1],[2,2,2]])
b = tf.reduce_mean(a)
c = tf.reduce_mean(a,1)
print(sess.run(b))# output = 3
print(sess.run(c))# output = [4 2]

sess.close()

## tf.reduce_sum()
將張量tensor做加總，而我可以在第二個參數中加入一個數代表我要沿著哪個維度做加總。

import tensorflow.compat.v1 as tf

tf.disable_v2_behavior()
sess = tf.Session()
a = tf.constant([[1,2,3],[4,5,6]])
all = tf.reduce_sum(a)
second = tf.reduce_sum(a,1)
print(sess.run(all))
print(sess.run(second))
sess.close()

## tf.reshape()
將tensor的維度重新塑造，-1代表自動計算該維度的數量。

import tensorflow.compat.v1 as tf

tf.disable_v2_behavior()
sess = tf.Session()
a = tf.constant([1,2,3,4,5,6,7,8,9])
new_martix = tf.reshape(a,[3,-1])
print(sess.run(new_martix))
# output = 
# [[1 2 3]
#  [4 5 6]
#  [7 8 9]]
sess.close()

## tf.argmin()
從指定的維度進行尋找最小值的索引(index)，索引由0開始。

import tensorflow.compat.v1 as tf

tf.disable_v2_behavior()
sess = tf.Session()
a = tf.constant([[48,24,64],[32,90,6]])
index = tf.argmin(a,1)
print(sess.run(index))# output [1 2]
sess.close()

## tf.Variable.eval()
顯示出tensor變數的值。

import tensorflow.compat.v1 as tf

tf.disable_v2_behavior()
a = tf.Variable([1,2])
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print(a.eval())

sess.close()

## tf.placeholder()
placeholder是一種類似於Variable的變數，但placeholder可以不給初始值並在sess.run()的時候把值給予placeholder。

import tensorflow.compat.v1 as tf

tf.disable_v2_behavior()
x = tf.placeholder(tf.float32)
y = tf.placeholder(tf.float32)

output = tf.multiply(x,y)

with tf.Session() as sess:
    print(sess.run(output,feed_dict = {x:[10.],y:[7.]}))#output = [70.]

在給予placeholder值時要給一個字典(dict)，key擺placeholder，value擺你要賦予的值。