TensorFlow笔记（2） 常量与变量

---

1. constant 常量

在运行过程中值不变化的量
创建语句：constant_ name = tf.constant(value)

node1 = tf.constant(2.0, tf.float32, name="node1")

在TensorFlow中无须进行初始化操作

import tensorflow as tf

# 定义常量
node1 = tf.constant(2.0, tf.float32, name="node1")
node2 = tf.constant(0.9, tf.float32, name="node2")
# 定义操作 node3 为 node1+node2
node3 = tf.add(node1, node2, name="node3")

# 建立会话,并通过上下文管理器来管理会话
with tf.Session() as sess:
    print(sess.run(node3))

---

2. Variable 变量

在运行过程中值会改变的单元
创建语句：name_variable = tf.Variable(value, name)

node1 = tf.Variable(2.0, tf.float32, name="node1")

在TensorFlow中须进行初始化操作
个别变量初始化：init_op = name_variable.initializer()

import tensorflow as tf

# 定义变量
node1 = tf.Variable(2.0, tf.float32, name="node1")
node2 = tf.Variable(0.9, tf.float32, name="node2")
# 定义操作 node3 为 node1+node2
node3 = tf.add(node1, node2, name="node3")

# 建立会话,并通过上下文管理器来管理会话
with tf.Session() as sess:
    sess.run(node1.initializer)	# 变量初始化
    sess.run(node2.initializer)
    print(sess.run(node3))

所有变量初始化：init_op = tf.global_variables_initializer()

with tf.Session() as sess:
    init = tf.global_variables_initializer()	# 变量初始化
    sess.run(init)	# 调用会话的run命令对参数进行初始化
    print(sess.run(node3))

与传统编程语言不同， TensorFlow中的变量定义后， 一般无需人工赋值，系统会根据算法模型， 训练优化过程中自动调整变量对应的数值，比如权重Weight变量w，经过多次迭代，会自动调整

• 特殊情况需要人工更新的，可用变量赋值语句或者变量更新语句：
  变量赋值语句：
  name_variable = tf.Variable(value, name, trainable=False)

  epoch = tf.Variable(0,name='epoch',trainable=False)
  

  防止该变量被数据流图的 GraphKeys.TRAINABLE_VARIABLES 收集，控制该变量是否可以被优化器更新

  变量更新语句：
  update_op = tf.assign(variable_to_be_updated, new_value)

  import tensorflow as tf
  
  node1 = tf.Variable(1, name="node1")  # 定义变量
  node2 = tf.constant(2, name="node2")  # 定义常量
  node3 = tf.add(node1, node2, name="node3")  # 定义操作 node3 为 node1+node2
  node4 = tf.assign(node1, node3)  # 定义操作 node4 为 node3 人工更新到 node1
  
  with tf.Session() as sess:
  	init = tf.global_variables_initializer()
  	sess.run(init)
  	for _ in range(5):
      	sess.run(node4)
      	print(sess.run(node1), end=" ")
  

  3 5 7 9 11
  

---

3. placeholder 占位符

TensorFlow中的Variable变量类型，在定义时需要初始化
但有些变量定义时并不知道其数值，只有当真正开始运行程序时，才由外部输入
比如训练数据，这时候需要用到占位符

tf.placeholder 占位符，是TensorFlow中特有的一种数据结构
类似动态变量，函数的参数、或者C语言或者Python语言中格式化输出时的“%”占位符
先定义一种数据，其参数为数据的Type和Shape
函数如下：tf.placeholder(dtype, shape=None, name=None)

x = tf.placeholder(tf.float32, [2, 9], name="px")

生成内部符号名称为 px，所有元素类型都是float32，维度2 x 9的二维数组

---

4. Feed 提交数据

如果构建了一个包含placeholder操作的计算图，当在session中调用run方法时
placeholder占用的变量必须通过 feed_dict 参数传递进去，否则报错

import tensorflow as tf

node1 = tf.placeholder(tf.float32, name="node1")  # 定义占用符
node2 = tf.placeholder(tf.float32, name="node2")
node3 = tf.add(node1, node2, name="node3")  # 定义操作 node3 为 node1+node2

with tf.Session() as sess:
    init = tf.global_variables_initializer()  # 变量初始化
    sess.run(init)
    # 按字典的格式，通过feed_dict传参
    print(sess.run(node3, feed_dict={node1: 7.0, node2: 0.7}))

7.7

多个操作可以通过一次Feed完成执行

import tensorflow as tf

node1 = tf.placeholder(tf.float32, name="node1")
node2 = tf.placeholder(tf.float32, name="node2")
node3 = tf.add(node1, node2, name="node3")
node4 = tf.subtract(node1, node2, name="node4")  # 定义操作 node4 为 node1-node2

with tf.Session() as sess:
    init = tf.global_variables_initializer()  # 变量初始化
    sess.run(init)
    # 按字典的格式，通过feed_dict传参
    result = sess.run([node3, node4], feed_dict={node1: [7.0, 6.0, 5.0], node2: [0.7, 0.6, 0.5]})
    print(result)

[array([7.7, 6.6, 5.5], dtype=float32), array([6.3, 5.4, 4.5], dtype=float32)]

---

5. Fetch 提取数据

索引取值，以上次结果为例

result = sess.run([node3, node4], feed_dict={node1: [7.0, 6.0, 5.0], node2: [0.7, 0.6, 0.5]}
print(result[0])

[7.7 6.6 5.5]

一次返回多个值分别赋给多个变量

rn3, rn4 = sess.run([node3, node4], feed_dict={node1: [7.0, 6.0, 5.0], node2: [0.7, 0.6, 0.5]})
print(rn3)
print(rn4)

[7.7 6.6 5.5]
[6.3 5.4 4.5]

---

相关推荐：
TensorFlow笔记（1） 基础概念

---

谢谢！