Tensorflow -- 数据操作

最新推荐文章于 2022-07-03 19:06:15 发布

原创最新推荐文章于 2022-07-03 19:06:15 发布 · 410 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#tensorflow #ss

tensorflow 专栏收录该内容

11 篇文章

订阅专栏

本文详细介绍了TensorFlow中的数据操作流程，包括变量定义、初始化、计算图构建及Session使用等核心概念。通过实例演示了变量操作、矩阵运算及变量更新等常见任务。

部署运行你感兴趣的模型镜像

Tensorflow – 数据操作

tensorflow的数据操作有着一个固定的模式，它先定义变量，操作，然后创建计算图，在图里计算：
如下面的：
1、定义变量、操作（其实也是理解为生成新的变量），此时即使定义时赋值了，变量还是没有值的，是在创建session计算的时候，首先就得变量初始化，赋值操作。
2、创建Session，然后将变量或者操作放入session中计算（run）

数据只在Session内有效。run函数里只能是操作，比如矩阵相乘（或者是前面的变量所代表的操作），或者一些zeros初始化变量等操作，不能是tf.Variable() 定义的变量
所有 Variable()定义的变量,在session中使用时，需要初始化.session.run(tf.global_variables_initializer())

3、定义的一些操作，要在seesion中run或者调用才会执行（在run里面可以用上面定义的“操作”前面变量当作参数），总之要明白，上面只是定义的变量和操作，真正执行的是在session里面，且数据的生命期也是在本seesion里。

下面这个例子体现了，上面定义的是变量和操作，在session外变量是没有值的，
1、在session里 run了变量初始化后w、x才有值，
2、后面在打印y的值 y.eval()时候，y也赋值了。

import tensorflow as tf

# create a varibale  创建变量、操作（矩阵相乘）
w = tf.Variable([[1, 2]])
x = tf.Variable([[2, 4], [3, 5]])
y = tf.matmul(w, x)

# 这时候y还没有值，这里只是定义了操作
print(y)
# 变量初始化操作，初始化所有定义的数据，既计算所有的操作
init_op = tf.global_variables_initializer()
# 初始化，所有变量的计算需要在session中初始化，初始化后才有值，打印值需要eval()
with tf.Session() as sess:
    sess.run(init_op)
    print(y.eval())

# 下面打印出错，结果只在session内有数据
# print(y.eval())

下面是一个简单的对a加一操作的例子，虽然简单，但也能体现：
1、只有Variable定义的变量需要初始化，
2、当定义的其他操作或者变量也用到了Variable的时候才需要对初始化tf.global_variables_initializer()
3、session.run（update_a）和 aupdate_a.eval() 效果相同，但设计多个session时用run
4、打印当前变量结果，也可使用print(sess.run(a))，如过是操作，最好不要这么用，会多一次改变其他变量的值（如打印print(sess.run(update_a)) 只是为了看结果，则让a的值多加一次1）

import tensorflow as tf

a = tf.Variable(1)
b = tf.ones([2, 3], tf.int32)
new_a = tf.add(a, tf.constant(1))
update_a = tf.assign(a, new_a)
with tf.Session() as sess:
    # b没有用到variable变量不需初始化操作
    print("----b---")
    print(b.eval())
    print("----a---")
    sess.run(tf.global_variables_initializer())
    print(a.eval())
    print("----a- sess.run(update_a)--")
    sess.run(update_a)
    print(a.eval())
    print("----a- update_a.eval()--")
    # 这里通 sess.run(update_a)，如果直接写update_a，则a不会加一
    update_a.eval()
    print(a.eval())
    print("------c-------")
    # 这里操作c只是定义了操作（与update_a相同），并不会更新a的值
    c = tf.assign(a, new_a)
    print(a.eval())
    # 下面执行c.eval()则会执行c操作，a的值才会加一
    print(c.eval())
    print(a.eval())
"""
    执行结果:
        ----b---
        [[1 1 1]
         [1 1 1]]
        ----a---
        1
        ----a- sess.run(update_a)--
        2
        ----a- update_a.eval()--
        3
        ------c-------
        3
        4
        4
"""