``````import tensorflow as tf
matrix1=tf.constant([[3,3]])
matrix2=tf.constant([[2],
[2]])
product=tf.matmul(matrix1,matrix2)

with tf.Session() as sess:#打开Session以sess命名，不用管关不关Session,运行完with里的语句自动关Session
result2=sess.run(product)
print("行乘以列:",result2)
``````

``````#定义变量
import tensorflow as tf

state=tf.Variable(0,name='counter')#Variable(初始值,name='变量名子')
print(state.name)#打印出它的名字

one=tf.constant(1)

#其实真正的值实在变量state中。
update=tf.assign(state,new_value)#将new_value加载到state

init=tf.global_variables_initializer()#激活所有变量

with tf.Session() as sess:
sess.run(init)
for _ in range(3):#三次循环
sess.run(update)

print(sess.run(state))#必须要用sess这个指针去run一下
``````

counter_7:0
1
2
3

``````import tensorflow as tf

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

output=tf.multiply(input1,input2)

with tf.Session() as sess:
print(sess.run(output,feed_dict={input1:[7.],input2:[8.0]}))##feed_dict与placeholder相对应
``````

[56.]

``````#定义激励函数 并 定义一个添加神经层函数

import tensorflow as tf
import numpy as np

Weights=tf.Variable(tf.random_normal([in_size,out_size]))#定义一个in_siz行，out_size列的矩阵。
#注：矩阵相乘输出为：前面项的行数，后面项的列数。
biases=tf.Variable(tf.zeros([1,out_size])+0.1)#定义一个偏置
Wx_plus_b=tf.matmul(inputs,Weights)+biases
if activation_function is None:
outputs=Wx_plus_b
else:
outputs=activation_function(Wx_plus_b)
return outputs

x_data=np.linspace(-1,1,300)[:,np.newaxis]##这一行中的[:,np.newxis]是将数据在行上增加n多行，列数为1
noise=np.random.normal(0,0.05,x_data.shape)
y_data=np.square(x_data)-0.5+noise

xs=tf.placeholder(tf.float32,[None,1])#数据为float32形式
ys=tf.placeholder(tf.float32,[None,1])

loss=tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),reduction_indices=[1]))

init=tf.initialize_all_variables()

sess=tf.Session()
sess.run(init)

for i in range(1000):
sess.run(train_step,feed_dict={xs:x_data,ys:y_data})
if i%100==0:
print("第%d次："%(i),sess.run(loss,feed_dict={xs:x_data,ys:y_data}))
``````

x_data=np.linspace(-1,1,300)[:,np.newaxis] 什么意思？

numpy.linspace使用详解：numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)

start：起始点；stop：结束；num：个数（默认50）；endpoint：如果是真，则一定包括stop，如果为False，一定不会有stop； 等

Returns:
samples : ndarray