TensorFlow自学笔记-02 基于官方文档 常量、变量、占位符

常量

声明：

import tensorflow as tf

# 标量常量
t1 = tf.constant("welcome")
# 多维常量向量
t2 = tf.constant([1, 2, 3])
# 全零张量
t3 = tf.zeros([3, 3], tf.int32)
# 全一张量
t4 = tf.ones([3, 3], tf.int32)
# 创建与现有数组或张量常量维度相同的张量常量
t5 = tf.zeros_like(t2)
t6 = tf.ones_like(t3)
# 生成等差排布序列
t7 = tf.linspace(2.0, 5.0, 4)
t8 = tf.range(1, 10, 2)
# 生成符合正态分布的随机数组
t9 = tf.random_normal([3, 3], mean=5.0, stddev=1, seed=2)
# 为所有随机产生的张量设置种子
t10 = tf.set_random_seed(2)

变量

它们通过使用变量类来创建。变量的定义还包括应该初始化的常量/随机值。
变量通常在神经网络中表示权重和偏置。
变量的定义将指定变量如何被初始化，但是必须显式初始化所有的声明变量。在计算图的定义中通过声明初始化操作对象来实现。
每个变量也可以在运行图中单独使用 tf.Variable.initializer 来初始化。

import tensorflow as tf

# 用常量来初始化变量
t1 = tf.random_uniform([5, 5], 0, 10, seed=1)
t_a = tf.Variable(t1)
t_b = tf.Variable(t1)
# 定义权重和偏置
weights = tf.Variable(tf.random_normal([2, 2], stddev=2))
bias = tf.Variable(tf.zeros[2], name='biases')
# 用变量初始化变量
weights2 = tf.Variable(weights.initial_value(), name='weight2')
# 变量声明后，必须显示初始化所有声明的变量
intial_op = tf.global_variables_initializer()
# 在运行图中单独使用
bias2 = tf.Variable(tf.zeros([2, 2]))
with tf.Session() as sess:
    sess.run(bias2.initializer)
# 保存变量
saver = tf.train.Saver()

占位符

用于将数据提供给计算图。

import tensorflow as tf

x = tf.placeholder("float")
y = 2*x
data = tf.random_uniform([5, 5], 10)
with tf.Session() as sess:
    x_data = sess.run(data)
    print(sess.run(y, feed_dict={x:x_data}))

需要注意的是，所有常量、变量和占位符将在代码的计算图部分中定义。如果在定义部分使用 print 语句，只会得到有关张量类型的信息，而不是它的值。
为了得到相关的值，需要创建会话图并对需要提取的张量显式使用运行命令。
TensorFlow 序列不可迭代。