乱七八糟的tf

1.tf.Variable()相关

my_state = tf.Variable(0, name = "counter") #创建一个Op变量my_state，并初始化为0
one = tf.constant(1)   #创建一个Op常量赋值为1
new_value = tf.add(my_state, one)
update = tf.assign(my_state, new_value) #通过assign()函数，将new_value的值赋给my_state.
init_Op = tf.global_variables_initializer() #tf.global_variables_initializer()
#会返回一个操作，初始化计算图中所有Variable对象

2.输出所有可训练的变量

variable_names = [v.name for v in tf.trainable_variables()]
print(variable_names)

3.strip()

.split('.')[-1]
#[-1]代表把最后一块切出来

4.读取，显示，resize图片

import matplotlib.pyplot as plt  

import tensorflow as tf  

import numpy as np  

  

image_raw_data = tf.gfile.GFile('C:/Users/DELL/Desktop/CWTPic/train1.jpg','r').read()   #加载原始图像  

  

with tf.Session() as sess:  

    img_data = tf.image.decode_jpeg(image_raw_data)   #解码

    plt.imshow(img_data.eval())  

    plt.show()

    resized = tf.image.resize_images(img_data, [64,64],method=0)  #第一个参数为原始图像，第二个参数为图像大小，第三个参数给出了指定的算法  

    resized = np.asarray(resized.eval(),dtype='uint8')  #变为uint8才能显示

    plt.imshow(resized)   

    plt.show()

5.tf.name_scope与tf.Variable_scope

对于使用tf.Variable来说，tf.name_scope和tf.variable_scope功能一样，都是给变量加前缀，相当于分类管理，模块化。

对于tf.get_variable来说，tf.name_scope对其无效，也就是说tf认为当你使用tf.get_variable时，你只归属于tf.variable_scope来管理共享与否。

来看一个例子：

with tf.name_scope('name_sp1') as scp1:

    with tf.variable_scope('var_scp2') as scp2:

        with tf.name_scope('name_scp3') as scp3:

            a = tf.Variable('a')

            b = tf.get_variable('b')

等同于

with tf.name_scope('name_sp1') as scp1:

    with tf.name_scope('name_sp2') as scp2:

        with tf.name_scope('name_scp3') as scp3:

            a = tf.Variable('a')

 

with tf.variable_scope('var_scp2') as scp2:

        b = tf.get_variable('b')

6.sess.run( )机制

在一个sess.run()环境中，一个大图里面的节点只会计算一次，哪怕有c->a->b这种依赖关系，运行sess.run([a,b])这种时候，a也只会被执行一次。其内部的机制是：先查看图中的依赖关系，得到本次sess.run()需要计算图中那些节点，然后进行一次计算，返回计算的a,b的值。