TF0002、变量Variable

本文通过一个简单的TensorFlow代码示例,展示了如何定义变量、常量,进行基本的数学运算如减法和加法,并在会话中运行这些操作。通过这个过程,读者可以了解TensorFlow的基本语法和流程。
部署运行你感兴趣的模型镜像
import tensorflow as tf
import warnings
warnings.filterwarnings('ignore')
# 定义一个变量
a = tf.Variable([1,2])
print(a)

输出:

<tf.Variable 'Variable:0' shape=(2,) dtype=int32_ref>
# 定义一个变量
x = tf.Variable([1,2])
# 定义一个常量
a = tf.constant([3,3])
# 减法op
sub = tf.subtract(x, a)
# 加法op
add = tf.add(x,sub)

# 所有变量初始化
init = tf.global_variables_initializer()

with tf.Session() as sess:
    # 执行变量初始化,变量要初始化才能使用
    sess.run(init)
    print(x)
    print('sub:',sess.run(sub))
    print("add:",sess.run(add))

输出:

<tf.Variable 'Variable_7:0' shape=(2,) dtype=int32_ref>
sub: [-2 -1]
add: [-1  1]

 

 

 

您可能感兴趣的与本文相关的镜像

TensorFlow-v2.15

TensorFlow-v2.15

TensorFlow

TensorFlow 是由Google Brain 团队开发的开源机器学习框架,广泛应用于深度学习研究和生产环境。 它提供了一个灵活的平台,用于构建和训练各种机器学习模型

### TensorFlow 中 `tf.Variable` 的定义与使用 #### 定义 在 TensorFlow 中,`tf.Variable()` 是一种特殊类型的张量,在程序运行期间其值可以被修改。这种特性使得它非常适合用于表示模型参数或其他需要更新的状态信息[^1]。 ```python import tensorflow as tf # 创建一个初始值为 1.0 的浮点型变量 variable_a = tf.Variable(1.0, dtype=tf.float32) print(variable_a) # 输出:<tf.Variable 'Variable:0' shape=() dtype=float32, numpy=1.0> ``` 上述代码展示了如何通过指定数值来创建一个新的 `tf.Variable` 对象,并指定了数据类型为 `float32`。值得注意的是,默认情况下打印出来的并不是具体的数值而是包含了该变量名称、形状以及数据类型的描述字符串[^4]。 #### 初始化 为了能够在计算图中实际操作这些变量并获取到它们的具体数值,必须先对其进行初始化。可以通过两种方式实现这一点: - 使用 `sess.run(tf.global_variables_initializer())` 来一次性初始化所有已声明的变量; - 或者针对某个特定变量调用 `.initializer` 属性来进行单独初始化。 下面的例子说明了这两种不同的初始化方法: ```python with tf.Session() as session: variable_b = tf.Variable([6, 8, 6], name='b') # 方法一:全局初始化 session.run(tf.global_variables_initializer()) print(session.run(variable_b)) # 结果:[6 8 6] # 方法二:单个变量初始化 variable_c = tf.Variable([[1., 2.]], name='c') session.run(variable_c.initializer) print(session.run(variable_c)) # 结果:[[1. 2.]] ``` 这段代码片段首先展示了一个列表形式的数据作为输入创建了一维数组类型的变量 `variable_b` 并进行了全局初始化;接着又演示了对于二维矩阵类型的变量 `variable_c` 如何仅对其本身执行初始化过程。 #### 更新变量值 除了定义和初始化之外,另一个重要的方面是如何改变已经存在的 `tf.Variable` 实例所持有的值。这可以通过重新赋值的方式完成,即利用 `assign()` 函数设置新的目标值给定现有变量名即可达到目的。 ```python with tf.Session() as sess: var_d = tf.Variable(1.0) update_operation = tf.assign(var_d, 5.0) sess.run(update_operation) result = sess.run(var_d) print(result) # 输出:5.0 ``` 这里给出了一个简单的例子,其中先是建立起了名为 `var_d` 的标量变量并将它的原始值设定成 `1.0` ,之后再借助于 `tf.assign()` 构建出了能够把此变量的内容更改为 `5.0` 的操作对象 `update_operation` 。最后一步是在会话环境中真正施行这一更改动作,并读取最终的结果确认变更成功生效[^3]。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值