Variable变量
1、Variable变量的创建
说明&＃xff1a;
Variable是tensorflow中的一个类&＃xff0c;需要实例化&＃xff0c;变量根据传入的初始值的shape决定变量的shape&＃xff0c;如传入2*2的矩阵&＃xff0c;则变量的shape为2*2。
Variable的构造函数&＃xff1a;
tf.Variable.__init__(initial_value,trainable&＃61;True, collections&＃61;None, dtype&＃61;None, validate_shape&＃61;True, name&＃61;None)
initial_value&＃xff1a;初始值&＃xff0c;一个tensor或者是可以转化成tensor的python对象&＃xff0c;如np.arange(10)- trainable&＃xff1a;是否可训练&＃xff0c;如果是&＃xff0c;则可以用优化器optimizer来训练
- name&＃xff1a;变量名&＃xff0c;可以用于在tensorboard中显示名字等&＃xff0c;tensorboard是可视化工具。
- dtype:用来设置数据类型&＃xff0c;如tf.float32、tf.float64
2、初始化
说明&＃xff1a;
变量的初始化必须在模型的其它操作运行之前先明确地完成。最简单的方法就是添加一个给所有变量初始化的操作&＃xff0c;并在使用模型之前首先运行那个操作。
方法&＃xff1a;
- 初始化所有&＃xff1a;tf.global_variables_initializer()
- 初始化单个变量&＃xff1a;
Variable.initialized_value()
3、代码示例&＃xff1a;
import tensorflow as tf
import numpy as np#创建shape&＃61;1*1的变量
v1&＃61;tf.Variable(1)#创建shape&＃61;2*2的变量,并命名
v2&＃61;tf.Variable([[1,2],[3,4]],name&＃61;&＃39;v2&＃39;)#用numpy数组创建变量&＃xff0c;设置数据类型为tf.float32
v3&＃61;tf.Variable(np.arange(0,9).reshape(3,3),dtype&＃61;tf.float32)#用tensoflow的随机tensor创建变量
v4&＃61;tf.Variable(tf.random_normal(shape&＃61;[3,3],mean&＃61;0,stddev&＃61;1))#用另一个变量的初始值*2来创建&＃xff0c;这里别调用的变量传入要初始化
v5 &＃61; tf.Variable(v4.initialized_value()*2, name&＃61;"w_twice")#创建初始化节点
init&＃61;tf.global_variables_initializer()#创建Saver保存数据
saver &＃61; tf.train.Saver()# #保存单个变量,用字典的形式传入数据{&＃39;储存名&＃39;:&＃39;变量名&＃39;},对变量v2进行保存
# saver &＃61; tf.train.Saver({&＃39;save_v2&＃39;:&＃39;v2&＃39;})
with tf.Session() as sess:sess.run(init)print(&＃39;v1:\n&＃39;,sess.run(v1))print(&＃39;v2:\n&＃39;, sess.run(v2))print(&＃39;v3:\n&＃39;, sess.run(v3))print(&＃39;v4:\n&＃39;, sess.run(v4))print(&＃39;v5:\n&＃39;, sess.run(v5))
Constant常量
说明&＃xff1a;value与shape都固定的tensor
1、创建常量
用函数tf.constant()返回&＃xff0c;函数的形式如下&＃xff1a;
tf.constant(
value,
dtype&＃61;None,
shape&＃61;None,
name&＃61;&＃39;Const&＃39;,
verify_shape&＃61;False
)
参数说明&＃xff1a;
- value: 符合tf中定义的数据类型的常数值或者常数列表;
- dtype&＃xff1a;数据类型&＃xff0c;可选;
- shape&＃xff1a;常量的形状&＃xff0c;可选;
- name&＃xff1a;常量的名字&＃xff0c;可选;
- verify_shape&＃xff1a;常量的形状是否可以被更改&＃xff0c;默认不可更改
2、代码示例
import tensorflow as tf
import numpy as npconst&＃61;tf.constant(np.arange(1,2),dtype&＃61;tf.float32)with tf.Session() as sess:print(sess.run(const))
Placeholder占位符
说明&＃xff1a;作用是用来占位的&＃xff0c;当要传入的数据不确定的时候&＃xff0c;可以用占位符&＃xff0c;可以使数据的使用更灵活&＃xff0c;但是在执行Session.run()的时候如果有placeholder&＃xff0c;必须用fetch字典给placeholder传入数据。
1、创建占位符
用函数tf.placeholder()返回&＃xff0c;函数的形式如下&＃xff1a;
tf.placeholder(
dtype,
shape&＃61;None,
name&＃61;None
)
参数说明&＃xff1a;
- dtype&＃xff1a;数据类型
- shape&＃xff1a;数据形状
- name&＃xff1a;名称
2、代码示例
import tensorflow as tf
import numpy as np
import random#创建两个2维占位符[None,1]表示不确定行数1列的数据
p&＃61;tf.placeholder(tf.float32,[None,1])#创建10*1的随机数组
arr&＃61;np.random.randn(10,1)#让两个占位符进行加法运算
add_&＃61;tf.add(p,1)#创建会话
with tf.Session() as sess:for i in range(3):#传入i&＃43;1行1列的数据p_in&＃61;arr[:i&＃43;1]print(&＃39;传入的数据为:\n&＃39;,p_in)#执行加法运算&＃xff0c;由于有placeholder&＃xff0c;所以要对feed_dict传入字典{占位符:传入数据}print(&＃39;执行加法结果为&＃xff1a;\n&＃39;,sess.run(add_,feed_dict&＃61;{p:p_in}))
京公网安备 11010802041100号