tf.Variable的用处以及其他tf中创建的命令

转载自简书 https://www.jianshu.com/p/2b9e475391ab
看了一圈网上的觉得这篇写的是最好的，很清楚，与各位分享

1、定义—简单一句话“参数”
我们使用变量Variables去更新参数。变量在内存中。
2、创建
例子：

Create two variables.

weights = tf.Variable(tf.random_normal([784, 200], stddev=0.35),
name=“weights”)
biases = tf.Variable(tf.zeros([200]), name=“biases”)

生成tensor的一些方法
生成tensor：
tf.zeros(shape, dtype=tf.float32, name=None)
tf.zeros_like(tensor, dtype=None, name=None)
tf.constant(value, dtype=None, shape=None, name=‘Const’)
tf.fill(dims, value, name=None)
tf.ones_like(tensor, dtype=None, name=None)
tf.ones(shape, dtype=tf.float32, name=None)

生成序列
tf.range(start, limit, delta=1, name=‘range’)
tf.linspace(start, stop, num, name=None)

生成随机数
tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)
tf.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)
tf.random_uniform(shape, minval=0.0, maxval=1.0, dtype=tf.float32, seed=None, name=None)
tf.random_shuffle(value, seed=None, name=None)

例子
import tensorflow as tf
import numpy as np

生成0和1矩阵

v1 = tf.Variable(tf.zeros([3,3,3]), name=“v1”)
v2 = tf.Variable(tf.ones([10,5]), name=“v2”)

#填充单值矩阵
v3 = tf.Variable(tf.fill([2,3], 9))

#常量矩阵
v4_1 = tf.constant([1, 2, 3, 4, 5, 6, 7])
v4_2 = tf.constant(-1.0, shape=[2, 3])

#生成等差数列
v6_1 = tf.linspace(10.0, 12.0, 30, name=“linspace”)#float32 or float64
v7_1 = tf.range(10, 20, 3)#just int32

#生成各种随机数据矩阵
v8_1 = tf.Variable(tf.random_uniform([2,4], minval=0.0, maxval=2.0, dtype=tf.float32, seed=1234, name=“v8_1”))
v8_2 = tf.Variable(tf.random_normal([2,3], mean=0.0, stddev=1.0, dtype=tf.float32, seed=1234, name=“v8_2”))
v8_3 = tf.Variable(tf.truncated_normal([2,3], mean=0.0, stddev=1.0, dtype=tf.float32, seed=1234, name=“v8_3”))
v8_4 = tf.Variable(tf.random_uniform([2,3], minval=0.0, maxval=1.0, dtype=tf.float32, seed=1234, name=“v8_4”))
v8_5 = tf.random_shuffle([[1,2,3],[4,5,6],[6,6,6]], seed=134, name=“v8_5”)

初始化

init_op = tf.initialize_all_variables()

保存变量，也可以指定保存的内容

saver = tf.train.Saver()
#saver = tf.train.Saver({“my_v2”: v2})

#运行
with tf.Session() as sess:
sess.run(init_op)

输出形状和值

print tf.Variable.get_shape(v1)#shape
print sess.run(v1)#vaule

numpy保存文件

np.save(“v1.npy”,sess.run(v1))#numpy save v1 as file
test_a = np.load(“v1.npy”)
print test_a[1,2]

#一些输出
print sess.run(v3)

v5 = tf.zeros_like(sess.run(v1))

print sess.run(v6_1)

print sess.run(v7_1)

print sess.run(v8_5)

#保存图的变量
save_path = saver.save(sess, “/tmp/model.ckpt”)
#加载图的变量
#saver.restore(sess, “/tmp/model.ckpt”)
print "Model saved in file: ", save_path

3、初始化
此处使用 tf.initialize_all_variables() 用于初始化变量。但是这句话仍然不会立即执行。需要通过sess来将数据流动起来 。
例子

Create two variables.

weights = tf.Variable(tf.random_normal([784, 200], stddev=0.35),
name=“weights”)
biases = tf.Variable(tf.zeros([200]), name=“biases”)
…

Add an op to initialize the variables.

init_op = tf.initialize_all_variables()

Later, when launching the model

with tf.Session() as sess:

Run the init operation.

sess.run(init_op)
…

Use the model

…

4、实例讲解
例子
#--coding:UTF-8--
import tensorflow as tf

state = tf.Variable(0 , name=‘counter’)
one = tf.constant(1)

new_value = tf.add(state,one)
update = tf.assign(state,new_value)

init = tf.initialize_all_variables()

with tf.Session() as sess:
sess.run(init)
for _ in range(3):
sess.run(update)
print(sess.run(state))

#–coding:UTF-8–
这句话是指定*.py的编码方式，如果文件中涉及到中文汉字的话，有必要写一下这句话。当然也可以这样写：encoding:UTF-8
import tensorflow as tf
这句话是导入tensorflow 模块
state = tf.Variable(0 , name=‘counter’)
使用tensorflow在默认的图中创建节点，这个节点是一个变量。
one = tf.constant(1)
此处调用了td的一个函数，用于创建常量。
new_value = tf.add(state,one)
对常量与变量进行简单的加法操作，这点需要说明的是： 在TensoorFlow中，所有的操作op，变量都视为节点，tf.add() 的意思就是在tf的默认图中添加一个op，这个op是用来做加法操作的。
update = tf.assign(state,new_value)
这个操作是：赋值操作。将new_value的值赋值给update变量。
在这里，需要再次说明：我们此时只是定义好了图，并没有变量并没有初始化。目前只有state的值是1。
init = tf.initialize_all_variables()
此处用于初始化变量。但是这句话仍然不会立即执行。需要通过sess来将数据流动起来 。
切记：所有的运算都应在在session中进行：
with tf.Session() as sess:
此处自动开启一个session
sess.run(init)
对变量进行初始化，执行（run）init语句
for _ in range(3):
sess.run(update)
print(sess.run(state))
循环3次，并且打印输出。

作者：liumw1203
链接：https://www.jianshu.com/p/2b9e475391ab
來源：简书
简书著作权归作者所有，任何形式的转载都请联系作者获得授权并注明出处。