tensorflow（二）：变量Variable

1. 创建变量的方式：tf.Variable() 和 tf.placeholder()

 建议用tf.Variable() 和 tf.constant() 来初始化权重&偏置项。

       tf.Variable() 的使用小例：以0为初始值，每次加1，迭代循环3次；

state = tf.Variable(0)  
new_value = tf.add(state, tf.constant(1))
update = tf.assign(state, new_value)  

with tf.Session() as sess: 
    sess.run(tf.global_variables_initializer())
    print(sess.run(state))    
    for _ in range(3):
        sess.run(update)
        print(sess.run(state))

2. 保存当前的session，用.Saver.save()

在模型保存时，直接保存session；可以每个几个epoch就保存一次模型

#tf.train.Saver
w = tf.Variable([[0.5,1.0]])
x = tf.Variable([[2.0],[1.0]])
y = tf.matmul(w, x)
init_op = tf.global_variables_initializer()
saver = tf.train.Saver()
with tf.Session() as sess:
    sess.run(init_op)
# Do some work with the model.
# Save the variables to disk.
    save_path = saver.save(sess, "C://tensorflow//model//test")
    print ("Model saved in file: ", save_path)

3. 把ndarray格式转为 tensorfow格式：用tf.convert_to_tensor()

import numpy as np
a = np.zeros((3,3))
ta = tf.convert_to_tensor(a)
with tf.Session() as sess:
     print(sess.run(ta))

4.  tf.placeholder() ：仅作为一种占位符

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

• 此函数可以理解为形参，用于定义过程，在执行的时候再赋具体的值
• Tensorflow的计算流图有助于优化整个系统的代码，首先构筑整个系统的graph（静态的），代码并不会直接生效，在实际的运行时，启动一个session，程序才会真正的运行。
• placeholder用feed_dict来实际传值，它用一个字典结构来赋值。
• 其实feed_dict可以喂数据给其他tensor，不止placeholder这一种。

 总结：当要创建一个变量时，首先placeholder把变量的类型，大小/shape指定好， 实际上并不往里面传值，可用于batch更新，具体等于什么值要在session中计算，实际传值要用feed_dict。

input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)
output = tf.matmul(input1, input2)
with tf.Session() as sess:
    print(sess.run([output], feed_dict={input1:[7.], input2:[2.]}))

5. tf.placeholder 与 tf.Variable的区别

• Variable在声明时必须赋予初始值，在训练过程中该值很可能会进行不断的加减操作变化；主要是用于训练变量之类的。比如网络权重和偏置。
• placeholder也用于存储数据，在命名时不需要赋值，但主要用feed_dict来接收输入数据。placeholder值在训练过程中会不断地被赋予新的值，用于批训练，基本上其值是不会轻易进行加减操作。

6.其它关于tensorflow图像处理的建议：

•  tensorflow默认使用mnist的next_batch()的batch_size，不使用该数据集时，要先导入自己的数据，再转换并堆叠成batch_size。
•  找关于图像处理的开源项目去GitHub上搜【FasterRCNN】或者【nmt】
• Windows建议用Ubuntu系统，不建议用虚拟机。
• 网页搜索框里输入【关键字+benchmark】，可以搜到一些网站，里面有论文，代码，算法，实验结果。
• MPII是人体关键点的database
• 关于人脸的一个论坛 ThinkFace
• YOLO2:实时目标检测
• 去Stack Overflow 上搜资源：迁移学习，注意力机制

参考

【1】tf.placeholder使用说明 - CSDN博客

【2】tf.placeholder 与 tf.Variable区别对比- CSDN博客

【3】Tensorflow 解惑[二]：feed_dict不一定与placeholder捆绑