import os

import tensorflow as tf

os.environ['TF_CPP_MIN_LOG_LEVEL'] = ''

# 使用TensorFlow输出Hello

# 创建一个常量操作( Constant op )

# 这个 op 会被作为一个节点( node )添加到默认计算图上.

#

# 该构造函数返回的值就是常量节点(Constant op)的输出.

hello = tf.constant('Hello, TensorFlow!')

# 启动TensorFlow会话

sess = tf.Session()

# 运行 hello 节点

print(sess.run(hello))

'''

TensorFlow library 的基本操作.

'''

import os

import tensorflow as tf

os.environ['TF_CPP_MIN_LOG_LEVEL'] = ''

# 基本常量操作

# T构造函数返回的值就是常量节点(Constant op)的输出.

a = tf.constant()

b = tf.constant()

# 启动默认的计算图

with tf.Session() as sess:

    print("a=2, b=3")

    print("常量节点相加: %i" % sess.run(a+b))

    print("常量节点相乘: %i" % sess.run(a*b))

# 使用变量(variable)作为计算图的输入

# 构造函数返回的值代表了Variable op的输出 (session运行的时候，为session提供输入)

# tf Graph input

a = tf.placeholder(tf.int16)

b = tf.placeholder(tf.int16)

# 定义一些操作

add = tf.add(a, b)

mul = tf.multiply(a, b)

# 启动默认会话

with tf.Session() as sess:

    # 把运行每一个操作，把变量输入进去

    print("变量相加: %i" % sess.run(add, feed_dict={a: , b: }))

    print("变量相乘: %i" % sess.run(mul, feed_dict={a: , b: }))

# 矩阵相乘(Matrix Multiplication)

# 创建一个 Constant op ，产生 1x2 matrix.

# 该op会作为一个节点被加入到默认的计算图

# 构造器返回的值 代表了Constant op的输出

matrix1 = tf.constant([[., .]])

# 创建另一个 Constant op 产生  2x1 矩阵.

matrix2 = tf.constant([[.],[.]])

# 创建一个 Matmul op 以 'matrix1' 和 'matrix2' 作为输入.

# 返回的值, 'product', 表达了矩阵相乘的结果

product = tf.matmul(matrix1, matrix2)

# 为了运行 matmul op 我们调用 session 的 'run()' 方法, 传入 'product'

# ‘product’表达了 matmul op的输出. 这表明我们想要取回(fetch back)matmul op的输出

# op 需要的所有输入都会由session自动运行. 某些过程可以自动并行执行

#

# 调用 'run(product)' 就会引起计算图上三个节点的执行：2个 constants 和一个 matmul.

# ‘product’op 的输出会返回到 'result'：一个 numpy `ndarray` 对象.

with tf.Session() as sess:

    result = sess.run(product)

    print('矩阵相乘的结果：', result)

    # ==> [[ .]]

#保存计算图

writer = tf.summary.FileWriter(logdir='logs', graph=tf.get_default_graph())

writer.flush()

import os

os.environ["TF_CPP_MIN_LOG_LEVEL"]='' # 这是默认的显示等级，显示所有信息

os.environ["TF_CPP_MIN_LOG_LEVEL"]='' # 只显示 warning 和 Error

os.environ["TF_CPP_MIN_LOG_LEVEL"]='' # 只显示 Error

import numpy as np

import os

import tensorflow as tf

os.environ['TF_CPP_MIN_LOG_LEVEL'] = ''

# 导入MNIST数据集

from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets("mnist_data/", one_hot=True)

# 我们对MNIST数据集做一个数量限制，

Xtrain, Ytrain = mnist.train.next_batch() # 用于训练(nn candidates)

Xtest, Ytest = mnist.test.next_batch() # 用于测试

print('Xtrain.shape: ', Xtrain.shape, ', Xtest.shape: ',Xtest.shape)

print('Ytrain.shape: ', Ytrain.shape, ', Ytest.shape: ',Ytest.shape)

# 计算图输入占位符

xtrain = tf.placeholder("float", [None, ])

xtest = tf.placeholder("float", [])

# 使用L1距离进行最近邻计算

# 计算L1距离

distance = tf.reduce_sum(tf.abs(tf.add(xtrain, tf.negative(xtest))), axis=)

# 预测: 获得最小距离的索引 (根据最近邻的类标签进行判断)

pred = tf.arg_min(distance, )

#评估：判断给定的一条测试样本是否预测正确

# 初始化节点

init = tf.global_variables_initializer()

#最近邻分类器的准确率

accuracy = .

# 启动会话

with tf.Session() as sess:

    sess.run(init)

    Ntest = len(Xtest)  #测试样本的数量

    # 在测试集上进行循环

    for i in range(Ntest):

        # 获取当前测试样本的最近邻

        nn_index = sess.run(pred, feed_dict={xtrain: Xtrain, xtest: Xtest[i, :]})

        # 获得最近邻预测标签，然后与真实的类标签比较

        pred_class_label = np.argmax(Ytrain[nn_index])

        true_class_label = np.argmax(Ytest[i])

        print("Test", i, "Predicted Class Label:", pred_class_label,

              "True Class Label:", true_class_label)

        # 计算准确率

        if pred_class_label == true_class_label:

            accuracy +=

    print("Done!")

    accuracy /= Ntest

    print("Accuracy:", accuracy)

reduce_sum(

    input_tensor,

    axis=None,

    keep_dims=False,

    name=None,

    reduction_indices=None

)

tf.argmin

argmin(

    input,

    axis=None,

    name=None,

    dimension=None,

    output_type=tf.int64

)