定义tensorflow的输入节点

定义tensorflow的输入节点:

tensorflow的输入节点定义方式基本上有三种,分别是:通过占位符定义、通过字典类型定义、直接定义。其中最常用的就是通过占位符定义、通过字典类型定义。这两种的区别在于当输入比较多的时候一般使用字典类型定义。下面通过代码来进行详细的解释:

通过占位符来进行定义

1 X = tf.placeholder("float") # 代表x的输入值
2 Y = tf.placeholder("float") #代表对应的真实值y

关于tf.placeholder():(参考自https://blog.csdn.net/kdongyi/article/details/82343712)

tf.placeholder(
    dtype,
    shape=None,
    name=None
)

参数:

  1. dtype:数据类型。常用的是tf.float32,tf.float64等数值类型
  2. shape:数据形状。默认是None,就是一维值,也可以是多维(比如[2,3], [None, 3]表示列是3,行不定)
  3. name:名称

为什么要用placeholder?
       Tensorflow的设计理念称之为计算流图,在编写程序时,首先构筑整个系统的graph,代码并不会直接生效,这一点和python的其他数值计算库(如Numpy等)不同,graph为静态的,类似于docker中的镜像。然后,在实际的运行时,启动一个session,程序才会真正的运行。这样做的好处就是:避免反复地切换底层程序实际运行的上下文,tensorflow帮你优化整个系统的代码。我们知道,很多python程序的底层为C语言或者其他语言,执行一行脚本,就要切换一次,是有成本的,tensorflow通过计算流图的方式,帮你优化整个session需要执行的代码,还是很有优势的。

       所以placeholder()函数是在神经网络构建graph的时候在模型中的占位,此时并没有把要输入的数据传入模型,它只会分配必要的内存。等建立session,在会话中,运行模型的时候通过feed_dict()函数向占位符喂入数据。

代码示例:

import tensorflow as tf
import numpy as np
 
input1 = tf.placeholder(tf.float32) #输入值
input2 = tf.placeholder(tf.float32) #输入值
 
output = tf.multiply(input1, input2) #输出是两个值的乘积
 
with tf.Session() as sess:
    print sess.run(output, feed_dict = {input1:[3.], input2: [4.]})

 通过字典类型来定义:

1 # 占位符
2 inputdict = {
3          'x': tf.placeholder("float")
4          'y': tf.placeholder("float")
5 }

直接定义输入节点(这种方法不常用):

# 模型参数
W = tf.Variable(tf.random_normal([1]), name="weight") b = tf.Variable(tf.zeros([1]), name="bias") # 前向结构,在乘积函数中,train_X就是直接输入的数据 z = tf.multiply(W, train_X)+ b

 

转载于:https://www.cnblogs.com/wqh2216/p/10450605.html

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