Tensorflow Cookbook2-Varible & Placeholder 的使用

最新推荐文章于 2020-05-12 13:32:33 发布

原创最新推荐文章于 2020-05-12 13:32:33 发布 · 193 阅读

0 ·

CC 4.0 BY-SA版权

Tensorflow 专栏收录该内容

1 篇文章

订阅专栏

本文通过实例讲解了TensorFlow中变量和常量的基本使用方法，包括变量的定义、初始化及更新过程，并引入了占位符的概念，演示了如何使用占位符灵活地输入数据。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在最近的学习过程中，在了解了常数和变量中的简单不同，我尝试了几个小的语句，这样可以帮助我们仔细分析一下这两者的用法区别：

vari = tf.Variable(2,name='vari')            ####1

cons = tf.constant(3)                        ####2

Mul = tf.multiply(vari,cons)                 ####3

Answer = tf.assign(vari,Mul)                 ####4

init = tf.global_variables_initializer()     ####5

with tf.Session() as sess:
    sess.run(init)
    for i in range(5):
        sess.run(Answer)
        print(sess.run(Answer))

在上面的语句中，#1首先定义了变量vari，我们定义的初始值为2，笔者尝试了一下，tf.Varible是不可以赋空值的，并定义了一个名称(可以不同)。

#2中定义了常量cons，为3，这个我们在上一讲中阐述过。#3定义了新的计算 Mul = vari*cons ，由于需要持续的变化以查看输出，我们不妨把Mul的值送入vari，让这个函数可以持续的迭代下去。

在#4中，会将assign中后面的内容赋值给前面的量。完成值的传递。由于变量定义后，流动起来需要进行一步初始化的声明，故采用#5语句进行初始化，老版本的语句tf.initialize_all_variables将会在未来进行移除，目前采用global的形式更加好一些。

在session会话中，与第一篇文章有所不同的是，需要对init初始化语句进行run，才可以使得整个模型流动起来，运算后的结果为：

然而在正常的数据分析过程中，有些变量我们不方便一上来就定义参数，而且在调整参数修改代码的时候，我们更希望能够在统一的位置进行修改，所以placeholder应运而生，它可以帮助我们有效的解决上述两个难题。代码如下所示：

import tensorflow as tf

var_1 = tf.placeholder(tf.float32,[2,2])            

var_2 = tf.placeholder(tf.float32,[2,2])         

Mul_1 = tf.multiply(var_1,var_2)

Mul_2 = tf.matmul(var_1,var_2)

with tf.Session() as sess:
   print(sess.run(Mul_1,feed_dict={var_1:[[2,3],[1,4]],var_2:[[-1,2],[2,3]]}))
   print(sess.run(Mul_2,feed_dict={var_1:[[2,3],[1,4]],var_2:[[-1,2],[2,3]]}))

首先我们定义两个2*2的矩阵分别命名为var_1，var_2，这两个矩阵分别执行按位相乘以及矩阵之间的相乘操作。

在Session中，对于每一个待输出的变量，我们都会在feed_dict中赋上一定的值，这类似于Python中的字典操作，方便了我们队变量的赋值应用。输出结果如下：

[[ -2.   6.]
 [  2.  12.]]
[[  4.  13.]
 [  7.  14.]]