1、总结TensorFlow中的张量概念
张量:数据结构:多维数组
零阶张量表示标量(scalar),也就是一个数;
一阶张量为向量(vector),也就是一个数组;
N阶张量可以理解为一个n维数组;
张量并没有真正保存数字,它保存的是计算过程
张量的属性
Tensor("Add:0", shape=(), dtype=float32)
·名字( name)
“node:src_output” : node 节点名称, src_output 来自节点的第几个输出
·形状( shape)
张量的维度信息, shape=() ,表示是标量
·类型( type)
每一个张量会有一个唯一的类型
TensorFlow会对参与运算的所有张量进行类型的检查,发现类型不匹配时会报错
张量的类型:
TensorFlow支持14种不同的类型
实数 tf.float32, tf.float64
整数 tf.int8, tf.int16, tf.int32, tf.int64, tf.uint8
布尔 tf.bool
复数 tf.complex64, tf.complex128
默认类型:
不带小数点的数会被默认为int32
带小数点的会被默认为float32
2、总结变量、常量和占位符区别
常量:在运行过程中值不会改变的单元,在TensorFlow中无须进行初始化操作,创建语句:constant_ name = tf.constant(value)
变量:在运行过程中值会改变的单元,在TensorFlow中须进行初始化操作
创建语句:name_variable = tf.Variable(value, name)
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。TensorFlow占位符Placeholder,先定义一种数据,其参数为数据的Type和Shape占位符Placeholder的函数接口如下:
tf.placeholder(dtype, shape=None, name=None)
区别:常量不能改变,变量可以改变,且变量比常量增加了一个init初始化变量,并调用会话的run命令对参数进行初始化,使用了Variable变量类型,不进行初始化数值会出现运行错误。另外,常量存储在计算图的定义中,每次加载图时都会加载相关变量。即它们是占用内存的。另一方面,变量又是分开存储的。它们可以存储在参数服务器上。占位符不包含任何数据,因此不需要初始化。
3、总结变量初始化方式
个别变量初始化:init_op = name_variable.initializer()
所有变量初始化:init_op = tf.global_variables_initializer()
变量增加了一个init初始化变量,并调用会话的run命令对参数进行初始化,使用了Variable变量类型,不进行初始化数值会出现运行错误。