tf_3_Variable

Variable用法的简单介绍

    import tensorflow as tf

    state = tf.Variable(0,name='counter') # 必须定义是变量它才是变量,与python语法有点不同
    # print(state.name)

    one = tf.constant(1)

    new_value = tf.add(state, one)
    update = tf.assign(state, new_value)
    # assign 分配的意思,这里就是把 new_date 的值赋给state

    init = tf.global_variables_initializer()
    # 如果定义了变量,必须初始化所有变量

    with tf.Session() as sess:
        sess.run(init)
        for _ in range(3): # 这里的'_'是代表一个变量,我们并不关心它,我们只是想要这个循环循环3次,结束后就会消失
            sess.run(update)
            print(sess.run(state))

本系列的笔记是通过对莫烦python学习记录的,有兴趣的同学可以观看原视频,非常可爱的一个小伙子。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
智慧校园建设方案旨在通过融合先进技术,如物联网、大数据、人工智能等,实现校园的智能化管理与服务。政策的推动和技术的成熟为智慧校园的发展提供了基础。该方案强调了数据的重要性,提出通过数据的整合、开放和共享,构建产学研资用联动的服务体系,以促进校园的精细化治理。 智慧校园的核心建设任务包括数据标准体系和应用标准体系的建设,以及信息化安全与等级保护的实施。方案提出了一站式服务大厅和移动校园的概念,通过整合校内外资源,实现资源共享平台和产教融合就业平台的建设。此外,校园大脑的构建是实现智慧校园的关键,它涉及到数据中心化、数据资产化和数据业务化,以数据驱动业务自动化和智能化。 技术应用方面,方案提出了物联网平台、5G网络、人工智能平台等新技术的融合应用,以打造多场景融合的智慧校园大脑。这包括智慧教室、智慧实验室、智慧图书馆、智慧党建等多领域的智能化应用,旨在提升教学、科研、管理和服务的效率和质量。 在实施层面,智慧校园建设需要统筹规划和分步实施,确保项目的可行性和有效性。方案提出了主题梳理、场景梳理和数据梳理的方法,以及现有技术支持和项目分级的考虑,以指导智慧校园的建设。 最后,智慧校园建设的成功依赖于开放、协同和融合的组织建设。通过战略咨询、分步实施、生态建设和短板补充,可以构建符合学校特色的生态链,实现智慧校园的长远发展。
`tf.variable_scope` 是 TensorFlow 的一个函数,用于管理变量的命名空间。它可以用来创建和共享变量,并控制变量命名的规则和作用域。使用 `tf.variable_scope` 可以避免变量名冲突的问题,也可以方便地查看和管理变量。 在 TensorFlow 中,变量是我们需要训练的模型参数,`tf.variable_scope` 可以让我们对这些变量进行管理。例如,我们可以使用 `tf.variable_scope` 来给变量命名,如: ``` with tf.variable_scope('my_variable_scope'): weights = tf.get_variable('weights', [784, 256], initializer=tf.random_normal_initializer()) ``` 这里,我们使用 `tf.get_variable` 创建了一个名为 `weights` 的变量,并将其放在了一个名为 `my_variable_scope` 的命名空间中。这样,在后续的代码中,我们就可以通过 `tf.variable_scope` 和 `tf.get_variable` 来方便地获取这个变量,而不用担心变量名冲突的问题。 除了命名空间的管理,`tf.variable_scope` 还可以控制变量的共享。例如,我们可以使用 `reuse` 参数来共享变量: ``` with tf.variable_scope('my_variable_scope'): weights1 = tf.get_variable('weights', [784, 256], initializer=tf.random_normal_initializer()) with tf.variable_scope('my_variable_scope', reuse=True): weights2 = tf.get_variable('weights') ``` 这里,在第一个 `with` 块中,我们创建了一个名为 `weights` 的变量。在第二个 `with` 块中,我们通过将 `reuse` 参数设置为 `True` 来告诉 TensorFlow 我们要共享变量。然后,我们再次调用 `tf.get_variable('weights')` 来获取这个变量,这次 TensorFlow 将返回之前创建的那个变量,而不是创建一个新的变量。这样,我们就可以方便地在不同的代码块中共享变量了。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值