# 對嵌套操作分層 在本文中，我們將學習如何在同一計算圖上放置多個操作。 ## 做好準備 了解如何將操作鏈接在一起非常重要。這將在計算圖中設置分層操作。對于演示，我們將占位符乘以兩個矩陣，然后執行加法。我們將以三維 NumPy 數組的形式提供兩個矩陣： ```py import tensorflow as tf sess = tf.Session() ``` ## 操作步驟 同樣重要的是要注意數據在通過時如何改變形狀。我們將輸入兩個大小為`3` x `5`的 NumPy 數組。我們將每個矩陣乘以一個大小常數`5` x `1,`，這將產生一個大小為`3` x `1`的矩陣。然后我們將其乘以`1` x `1`矩陣，再次產生`3` x `1`矩陣。最后，我們在最后添加`3` x `1`矩陣，如下所示： 1. 首先，我們創建要輸入的數據和相應的占位符： ```py my_array = np.array([[1., 3., 5., 7., 9.], [-2., 0., 2., 4., 6.], [-6., -3., 0., 3., 6.]]) x_vals = np.array([my_array, my_array + 1]) x_data = tf.placeholder(tf.float32, shape=(3, 5)) ``` 1. 接下來，我們創建將用于矩陣乘法和加法的常量： ```py m1 = tf.constant([[1.], [0.], [-1.], [2.], [4.]]) m2 = tf.constant([[2.]]) a1 = tf.constant([[10.]]) ``` 1. 現在，我們聲明操作并將它們添加到圖中： ```py prod1 = tf.matmul(x_data, m1) prod2 = tf.matmul(prod1, m2) add1 = tf.add(prod2, a1) ``` 1. 最后，我們通過圖提供數據： ```py for x_val in x_vals: print(sess.run(add1, feed_dict={x_data: x_val})) [[ 102.] [ 66.] [ 58.]] [[ 114.] [ 78.] [ 70.]] ``` ## 工作原理 我們剛剛創建的計算圖可以使用 TensorBoard 進行可視化。 TensorBoard 是 TensorFlow 的一個功能，它允許我們可視化計算圖和這些圖中的值。與其他機器學習框架不同，這些功能是本機提供的。要了解如何完成此操作，請參閱[第 11 章](../Text/83.html)中的 TensorBoard 秘籍中的可視化圖，更多內容使用 TensorFlow。以下是我們的分層圖如下所示：  圖 2：向上傳播到圖時的數據大小 ## 更多 在通過圖運行數據之前，我們必須聲明數據形狀并知道操作的結果形狀。這并非總是如此。可能有一兩個我們事先不知道的維度，或者一些可能變化的維度。為實現此目的，我們將可以改變（或未知）的維度或維度指定為值`None`。例如，要使先前的數據占位符具有未知數量的列，我們將編寫以下行： ```py x_data = tf.placeholder(tf.float32, shape=(3,None)) ``` 這允許我們打破矩陣乘法規則，但我們仍然必須遵守乘法常數必須具有相同行數的事實。當我們將數據輸入圖時，我們可以動態生成或重新整形`x_data`。當我們以不同批次大小的多批次提供數據時，這將在后面的章節中派上用場。 > 雖然使用`None`作為尺寸允許我們使用可變尺寸的尺寸，但在填充尺寸時始終建議盡可能明確。如果我們將尺寸標準化為固定尺寸，那么我們應該明確地將該尺寸寫為尺寸。建議將`None`用作維度，以限制數據的批量大小（或我們一次計算的數據點數）。