TensorFlow入门教程：5：变量基础操作

最新推荐文章于 2020-03-22 11:34:56 发布
最新推荐文章于 2020-03-22 11:34:56 发布
阅读量4.1k 收藏
点赞数 1
分类专栏： 人工智能 # TensorFlow入门教程
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/liumiaocn/article/details/82851892
版权

在这里插入图片描述
这篇文章以几个具体的例子来说明一下如何使用tensorflow进行编码，通过简单的变量/常量的加减乘除运算来熟悉tensorflow。

例1: 使用表达式常量运算

代码片段

a = tf.constant(2)
b = tf.constant(3)
add = a + b
print("use a + b directly: a = 2,b=3")
print(tf.Session().run(add))

简要说明：
前面已经提到了tf的数据类型以及session和operation等概念，这个例子定义了两个常量，直接利用session的run函数可以对以表达式定义（a+b）的add操作进行运算，从而实现了2+3=5

例2: 使用tf函数进行常量运算

代码片段

a = tf.constant(2)
b = tf.constant(3)
add = tf.add(a,b)
print(tf.Session().run(add))

简要说明：
与例1不同的地方在于操作add的定义使用tf.add进行

例3: 变量运算与赋值

代码片段

c = tf.placeholder(tf.int32,name="c")
d = tf.placeholder(tf.int32,name="d")
print("c=2,d=0,tf.Session().run(add,feed_dict={c:2,d:0}")
print(tf.Session().run(add,feed_dict={c:2,d:0}))

简要说明：
使用placeholder预设占位符，在运算时通过feed_dict传入变量值进行运算

例4: 变量方式传递给feed_dict

代码片段

c = tf.placeholder(tf.int32,name="c")
d = tf.placeholder(tf.int32,name="d")
feed_data={c:32,d:10}
add = tf.add(c,d)
print(tf.Session().run(add,feed_dict=feed_data))

简要说明：
例3的另一种方式，通过变量的方式传递给feed_dict

例5: 表达式进行加减乘除

代码片段

a = tf.constant(2)
b = tf.constant(3)
with tf.Session() as session:
  print("a = " + str(session.run(a)))
  print("b = " + str(session.run(b)))
  print("a + b = " + str(session.run(a+b)))
  print("a - b = " + str(session.run(a-b)))
  print("a * b = " + str(session.run(a*b)))
  print("a / b = " + str(session.run(a/b)))

简要说明：
使用python的with语句，表达式的方式进行加减乘除的运算

例6: 使用tf函数进行加减乘除

代码片段

a = tf.constant(2)
b = tf.constant(3)
with tf.Session() as session:
  print("a = " + str(session.run(a)))
  print("b = " + str(session.run(b)))
  func=tf.add(a,b)
  print("a + b = " + str(session.run(func)))
  func=tf.subtract(a,b)
  print("a - b = " + str(session.run(func)))
  func=tf.multiply(a,b)
  print("a * b = " + str(session.run(func)))
  func=tf.divide(a,b)
  print("a / b = " + str(session.run(func)))

简要说明：
使用tf.add/tf.subtract/tf.multiply/tf.divide进行加减乘除，注意早期版本api有变化比如tf.sub已经不存在。

例7: 线性公式（表达式）：y=w*x+b

代码片段

with tf.Session() as session:
  w=tf.constant(2)
  b=tf.constant(2)
  x=tf.placeholder(tf.int32)
  y=w*x + b
  print("y=w*x+b=" + str(session.run(y,feed_dict={x:20})))

简要说明：
这个简单的例子可以看出常量/变量的使用，以及变量使用placeholder进行占位以及使用feed_dict进行运行前赋值

例8: 线性公式（tf函数）：y=w*x+b

代码片段

with tf.Session() as session:
  w=tf.constant(2)
  b=tf.constant(2)
  x=tf.placeholder(tf.int32)
  y=tf.add(tf.multiply(w,x),b)
  print("y=w*x+b=" + str(session.run(y,feed_dict={x:20})))

简要说明：
使用tf函数进行组合w*x+b的运算

例子代码

liumiaocn:Notebook liumiao$ cat basic-operation-1.py 
import tensorflow as tf
import os

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

print("##Example 1: Constant: a + b")
a = tf.constant(2)
b = tf.constant(3)
add = a + b
print("use a + b directly: a = 2,b=3")
print(tf.Session().run(add))

print("\n##Example 2: use tf.add(a,b): a=2,b=3")
add = tf.add(a,b)
print(tf.Session().run(add))

print("")
print("##Example 3: feed_dict + placeholder")
c = tf.placeholder(tf.int32,name="c")
d = tf.placeholder(tf.int32,name="d")
print("c=2,d=0,tf.Session().run(add,feed_dict={c:2,d:0}")
print(tf.Session().run(add,feed_dict={c:2,d:0}))

print("\n##Example 4: feed_data={c:32,d:10}, tf.add(c,d)")
feed_data={c:32,d:10}
add = tf.add(c,d)
print(tf.Session().run(add,feed_dict=feed_data))

print("\n##Example 5: use with statement : expression")
with tf.Session() as session:
  print("a = " + str(session.run(a)))
  print("b = " + str(session.run(b)))
  print("a + b = " + str(session.run(a+b)))
  print("a - b = " + str(session.run(a-b)))
  print("a * b = " + str(session.run(a*b)))
  print("a / b = " + str(session.run(a/b)))

print("\n##Example 6: use with statement : tf.function")
with tf.Session() as session:
  print("a = " + str(session.run(a)))
  print("b = " + str(session.run(b)))
  func=tf.add(a,b)
  print("a + b = " + str(session.run(func)))
  func=tf.subtract(a,b)
  print("a - b = " + str(session.run(func)))
  func=tf.multiply(a,b)
  print("a * b = " + str(session.run(func)))
  func=tf.divide(a,b)
  print("a / b = " + str(session.run(func)))

print("\n##Example 7: y=w*x +b : expression")
with tf.Session() as session:
  w=tf.constant(2)
  b=tf.constant(2)
  x=tf.placeholder(tf.int32)
  y=w*x + b
  print("y=w*x+b=" + str(session.run(y,feed_dict={x:20})))   

print("\n##Example 8: y=w*x +b : tf.function")
with tf.Session() as session:
  w=tf.constant(2)
  b=tf.constant(2)
  x=tf.placeholder(tf.int32)
  y=tf.add(tf.multiply(w,x),b)
  print("y=w*x+b=" + str(session.run(y,feed_dict={x:20})))   
liumiaocn:Notebook liumiao$

执行结果

liumiaocn:Notebook liumiao$ python basic-operation-1.py 
##Example 1: Constant: a + b
use a + b directly: a = 2,b=3
5

##Example 2: use tf.add(a,b): a=2,b=3
5

##Example 3: feed_dict + placeholder
c=2,d=0,tf.Session().run(add,feed_dict={c:2,d:0}
5

##Example 4: feed_data={c:32,d:10}, tf.add(c,d)
42

##Example 5: use with statement : expression
a = 2
b = 3
a + b = 5
a - b = -1
a * b = 6
a / b = 0

##Example 6: use with statement : tf.function
a = 2
b = 3
a + b = 5
a - b = -1
a * b = 6
a / b = 0.6666666666666666

##Example 7: y=w*x +b : expression
y=w*x+b=42

##Example 8: y=w*x +b : tf.function
y=w*x+b=42
liumiaocn:Notebook liumiao$

总结

当然，tensorflow不是用来做加减乘除的，常见的模型的积木化，调用简单，在后续的实例中将可以清晰地看到这一点

淼叔
关注
专栏目录
TensorFlow入门教程：详细说明安装使用方法，可以帮助同学们了解如何进行深度学习
程序员光剑
10-11 696
深度学习是指基于大量的训练样本对神经网络的权重参数进行优化，使得模型能够自动提取出高级特征。它被广泛应用于图像、文本、语音等领域。Google推出了一个开源的深度学习平台——TensorFlow。它是一个适用于机器学习和深度学习的软件库。在2015年1月份，该平台发布并开源，目前已经成长为一个重要的研究平台，吸引了许多热衷于此的初创公司。自发布以来，TensorFlow被越来越多的人使用，深度学习已成为主流。本文就提供了一个简明扼要的TensorFlow入门教程，让大家快速上手TensorFlow。
TensorFlow入门教程：11：线性回归
知行合一 止于至善
10-01 5212
相较于前面的基础，这篇文章才是真正意义上的第一个tensorflow的Hello World。我们将使用tensorflow提供的方法来对数据中所体现的线性关系进行建模，通过输入数据对模型进行训练，然后使用训练生成的稳定模型对未知的自变量所对应的因变量进行确认。
TensorFlow创建常量(tf.constant)详解
热门推荐
炼金术的修行
08-28 10万+
在TensorFlow API中创建持久化变量的函数原型如下所示： tf.constant( value, dtype=None, shape=None, name='Const', verify_shape=False ) 可以看到第一个值value是必须的，可以是一个数值，也可以是一个列表。 如果是数值： tensor=tf.consta...
Tensorflow学习笔记（二）：常量（tf.constant）与变量（tf.Varialbe）
yjk13703623757的博客
08-11 4万+
1. 生成tensor的一些方法 生成constant（常量） tf.zeros(shape, dtype=tf.float32, name=None)tf.zeros_like(tensor, dtype=None, name=None)tf.ones(shape, dtype=tf.float32, name=None)tf.ones_like(tensor, dtype=None, name=
tensorflow之常用函数（tf.Constant）
qq_38409301的博客
12-11 1484
转载：http://blog.sina.com.cn/s/blog_e504f4340102yd4k.html tensorflow中我们会看到这样一段代码：   import tensorflow as tf  a = tf.constant([1.0, 2.0], name="a")  b = tf.constant([2.0, 3.0], name="b")  result =...
tensorflow2.x——tf.constant()函数介绍和示例
一只攻城狮的博客
02-22 3967
tf.constant()函数介绍和示例 tf.constant(value, shape, dtype=None, name=None) 释义：生成常量 value，值 shape，数据形状 dtype，数据类型 name，名称 1.示例： # Constant 1-D Tensor populated with value list. tensor = tf.constant([1, 2,...
TensorFLow 数学运算
zywvvd的博客
11-21 4万+
一、Tensor 之间的运算规则 相同大小 Tensor 之间的任何算术运算都会将运算应用到元素级不同大小 Tensor(要求dimension 0 必须相同) 之间的运算叫做广播(broadcasting)Tensor 与 Scalar(0维 tensor) 间的算术运算会将那个标量值传播到各个元素Note： TensorFLow 在进行数学运算时，一定要求各个 Tensor 数据类型一致
TensorFlow入门教程：简介与安装
TensorFlow使用数据流图来表示计算任务，其中节点表示操作，边表示数据在操作之间流动。这种图形表示方法使得TensorFlow能够有效地计算大规模的数值计算。TensorFlow还提供了灵活的变量管理机制和自动求导功能，使得...
tensorflow_source:深度学习tensorflow入门，原理与进阶源代码
03-23
3. **变量（Variables）**：变量是 TensorFlow 中持久化的状态，用于存储模型参数或任何需要在多个操作之间保持不变的数据。 4. **张量（Tensors）**：张量是 TensorFlow 的基本数据结构，可以是标量、向量、矩阵或...
2.1tf.constant()函数用法解析
大模型天花板
03-22 2866
tf.constant()用来定义tensor常量 直接上代码 定义之后自动为tf.Tensor类型 shape=( ),表示0维，只是个单一的值；shape=(3,),表示1维向量，有3个值 数据类型可以是int32,float32,float64,bool,string ...
Tensorflow-加减乘除
m0_37185443的博客
10-31 1万+
学习了一下TensorFlow的几个简单运算，虽说简单但对于初学者来说还是有几个值得注意的问题； 1.声明矩阵的时候，维度是完全需要[]控制的，用我的理解就是每增加一个维度就要用一个[]包括起其中内容；可通过下面代码中x和xx1的区别； 2.matmul智能是矩阵的乘法，向量是不行的，要做乘法的话，就要利用[]把向量升级为矩阵 3.发现x和xt也不同的，x维度2，xt维度1，不明白除了维度他
tf.constant()函数介绍和示例
wk的博客
09-07 4661
tf.constant()函数介绍和示例 tf.constant(value, shape, dtype=None, name=None) 释义：生成常量 value，值 shape，数据形状 dtype，数据类型 name，名称 示例： import tensorflow as tf c = tf.constant(-1, shape=[2,3], dtype=tf.float32, n...
新手学tensorflow，tf.constant用法
z2539329562的博客
04-07 5357
import tensorflow as tf import numpy as np x = np.array([[1, 4, 3], #将list转换为array [1, 6, 3], [1, 2, 3]]) #将array转换为tf.constant x1 = tf.constant(value=x, dtype=tf.float32...
tf.constant
Tian的博客
05-17 2万+
创建一个常数张量,传入list或者数值来填充 # Constant 1-D Tensor populated with value list. tensor = tf.constant([1, 2, 3, 4, 5, 6, 7]) => [1 2 3 4 5 6 7] # Constant 2-D tensor populated with scalar value...
tf.constant(常量)
bestrivern的博客
03-04 1万+
一.概述 格式：tf​.​constant​(​value​,​ dtype​=​None​,​ shape​=​None​,​ name​=​'Const'​,​ verify_shape​=​False) value:是一个必须的值，可以是一个数值，也可以是一个列表；可以是一维的，也可以是多维的。 ​​​​​​​#创建数值常量 tensor=tf.constant(1) #用取值函...
TensorFlow入门教程(5)卷积神经网络CNN
韦访的专栏
04-30 1万+
# #作者：韦访 #博客：https://blog.csdn.net/rookie_wei #微信：1007895847 #添加微信的备注一下是CSDN的 #欢迎大家一起学习 # 1、卷积神经网络简介 上图显示了全连接神经网络和卷积神经网络的结构示意图，可以看出卷积神经网络和全连接神经网络的唯一区别在于神经网络中相邻两层的连接方式。 使用全连接神经网络处理图像的最大问题在于全连接层的参数...
机器学习开源框架系列：Torch：1：简介与安装
知行合一 止于至善
05-16 3万+
Torch是一个基于BSD License的开源的机器学习的框架，早在2002年就发布了Torch的初版。Torch一直聚焦于大规模的机器学习应用，尤其是图像或者视频应用等领域，在超过5万次的下载，在学校和企业中也有着不小的影响力，而Torch7希望能够做到像Matlab那样，为机器学习提供环境。 基本信息 项目 说明 官方网站 http://torch.c...
Anaconda Distribution ：流行的Python数据科学平台
知行合一 止于至善
09-25 1万+
Anaconda Distribution 开源软件Anaconda Distribution是使用python进行ML的工具之一，可以轻松地安装在Windows/Linux/Mac上，已有超过600万的用户。由于其集成了大量的用于数学计算的库，同时集成了诸如tensorflow和theano这样的框架，在单机上使用python进行机器学习进行开发/测试/训练的不错的工具。 概要信息 项...
Tensorflow入门教程：计算图模型与基本操作解析
"Tensorflow从入门到精通之——Tensorflow基本操作" TensorFlow 是一个强大的开源库，用于数值计算和大规模机器学习。它采用计算图模型，将计算过程表示为一个有向图，其中每个节点（Operation，简称op）代表一个...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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