TensorFlow实例 2 ---常量、变量、占位变量

1.变量

import tensorflow as tf
x = tf.Variable([2,34,56,33])   #创建变量x，为一个array

print(x)  #查看x的shape，不是x的值。结果是： <tf.Variable 'Variable_3:0' shape=(4,) dtype=int32_ref>
with tf.Session() as sess :
 ...   sess.run(x.initializer)     #运行变量的initializer。调用op之前，所有变量都应被显式地初始化过。
 ...   sess.run(x)     #查看x的值，结果是：array([2, 34, 56,33],dtype=int32)

* 用 with 记得：和 sess.run() 前 需要 Tab （界面上显示为...）

y = tf.Variable(tf.random_uniform([2, 1],))     #初始化一个形状为[2，1]的张量 ,两个 一维数组    [  [1],[3] ]

y = tf.Variable(tf.random_uniform([2, 2],))     #初始化一个形状为[2，2]的张量 ,两个 维数组    [  [1,3],[3,4] ]

y = tf.Variable(tf.random_normal([20, 10], stddev=0.35))     #以标准差0.35的正太分布初始化一个形状为[20，10]的张量

z = tf.Variable(tf.zeros([10]))  #初始化一个形状为[0]的张量， 里面的元素值全部为0.

2.常量

tf.constant()函数定义：

def constant(value, dtype=None, shape=None, name="Const", verify_shape=False)

value: 符合tf中定义的数据类型的常数值或者常数列表;
dtype：数据类型，可选;
shape：常量的形状，可选;
name：常量的名字，可选;
verify_shape：常量的形状是否可以被更改，默认不可更改;

constant()函数提供在tensorflow中定义常量(不可更改的张量)的方法。

例如：

tensor_constant1 = tf.constant([1,2,3,4])

0维的叫做常数，1维的叫做向量，二维叫做矩阵，多维度的就直接叫张量

# tensor1 是一个0维的 int32 tensor

tensor1 = tf.constant(1314)

# tensor2 是一个1维的 int32 tensor

tensor2 = tf.constant([123,456,789])

# tensor3 是一个二维的 int32 tensor

tensor3 = tf.constant([ [123,456,789], [222,333,444] ])
 # tensor3 是一个多维的 int32 tensor

tensor3 = tf.constant([ [123,456,789], [222,333,444] ,[222,333,444]])

3.占位变量 placeholder

tf.placeholder()函数定义：

def placeholder(dtype, shape=None, name=None)

dtype：表示tensorflow中的数据类型，如常用的tf.float32,tf.float64等数值类型;
shape：表示数据类型，默认的None是一个一维的数值，shape=[None,5],表示行不定，列是5;
name：张量名称;

placeholder()又叫占位符，用于声明一个张量的数据格式，告诉系统这里会有一个这种格式的张量，但是还没有给定具体数值，具体的数值要在正式运行的时候给到。占位变量是一种TensorFlow用来解决读取大量训练数据问题的机制，它允许你现在不用给它赋值，随着训练的开始，再把训练数据传送给训练网络学习。

例如：

X = tf.placeholder(tf.float32, shape = [None, 100 * 100])

以上声明一个张量并赋值给X，数据类型是tf.float32，大小是None*100*100,None表示数量不定，tensorflow会根据运行时候具体情况调整。

x = tf.placeholder(tf.string)

y = tf.placeholder(tf.int32)

z = tf.placeholder(tf.float32)

with tf.Session() as sess:

      output = sess.run(x, feed_dict={x: 'Test String', y: 123, z: 45.67})