TensorFlow 学习积累（1）：variable 和 placeholder

variable和placeholder

variable ：不丢失

variable 用于构建一个变量，在计算图的运算过程中，其值会一直保存到程序运行结束，而一般的tensor张量在tensorflow运行过程中只是在计算图中流过，并不会保存下来。

因此varibale主要用来保存tensorflow构建的一些结构中的参数，这些参数才不会随着运算的消失而消失，才能最终得到一个模型。

比如神经网络中的权重和bias等，在训练过后，总是希望这些参数能够保存下来，而不是直接就消失了，所以这个时候要用到Variable。

注意，所有和varible有关的操作在计算的时候都要使用session会话来控制，包括计算，打印等等。

import tensorflow as tf

a=tf.Variable(1)

b=tf.constant(1)  #定义变量a=0和常量1,并且定义a的自加运算aplus1和更新a的值得操作update"""

aplus1=tf.add(a,b)

update=tf.assign(a,aplus1)

#设置完变量之后，必须要对变量进行初始化工作，变量才能使用

init=tf.initialize_all_variables()

with tf.Session() as sess:

sess.run(init) #运行初始化变量的计算

for i in range(10): #循环10次，查看a逐渐自加1的结果

sess.run(update) #执行变量a的自加运算

print(sess.run(a)) #打印变量a也需要用session.run

placeholder ：喂数据

tensorflow中又一保存数据的利器，placeholder（type,strucuct…)，它的第一个参数是你要保存的数据的数据类型，大多数是tensorflow中的float32数据类型，后面的参数就是要保存数据的结构，比如要保存一个1×2的矩阵，则struct=[1 2]。

它在使用的时候和前面的variable不同的是在session运行阶段，需要给placeholder提供数据，利用feed_dict的字典结构给placeholdr变量“喂数据”。

input1 = tf.placeholder(tf.float32)

input2 = tf.placeholder(tf.float32)

# output = tf.multiply(input1,input2)#乘法

# output = tf.add(input1,input2)#加法

# output = tf.mod(input1,input2)#余数

# output = tf.sub(input1,input2)#减发

output = tf.div(input1,input2)#除法

print(sess.run(output,feed_dict={input1:[7.],input2:[2.]}))