TensorFlow: snippet: テンソル

変数はグラフの実行を通じて状態を保持します。次の例題は単純なカウンターとして作用する変数の例です。

import tensorflow as tf

state = tf.Variable(0, name="counter")

one = tf.constant(1)
new_value = tf.add(state, one)
update = tf.assign(state, new_value)

init_op = tf.initialize_all_variables()

with tf.Session() as sess:
  sess.run(init_op)
  print(sess.run(state))
  for _ in range(3):
    sess.run(update)
    print(sess.run(state))

# 出力:
#
# 0
# 1
# 2
# 3

import tensorflow as tf

input1 = tf.constant(3.0)
input2 = tf.constant(2.0)
input3 = tf.constant(5.0)

intermed = tf.add(input2, input3)
mul = tf.mul(input1, intermed)

with tf.Session() as sess:
    result = sess.run([mul, intermed])
    print(result)

# 出力:
#
# [21.0, 7.0]

TensorFlow はまた、グラフにおける任意の操作にテンソルを直接あてがうために feed（供給）機構を提供しています。

feed（供給）は操作 (OP) の出力を一時的にテンソル値で置き換えます。feed data（供給データ）は run() 呼び出しの引数として供給します。feed は run 呼び出しに対してのみ渡されて使用されます。最も一般的なユースケースでは特定の操作を “feed” 操作に指定することを伴います。tf.placeholder() を使用してそれらを作成します :

import tensorflow as tf

input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)

output = tf.mul(input1, input2)

with tf.Session() as sess:
    print (sess.run(output, feed_dict={input1:[7.], input2:[2.]}))
    print (sess.run([output], feed_dict={input1:[7.], input2:[2.]}))

# 出力:
#
# [ 14.]
# [array([ 14.], dtype=float32)]

【参考】
（翻訳/解説）TensorFlow : GET STARTED : 基本的な使い方