Tensorflow 中的constant、Session、placeholde和 Variable简介

在 TensorFlow 中，数据不是以整数，浮点数或者字符串形式存在的。这些值被封装在一个叫做 tensor 的对象中

tf.constant()

tf.constant() 返回的 tensor 是一个常量 tensor，因为这个 tensor 的值不会变。

#hello_constant是一个 0 维度的字符串 tensor
hello_constant = tf.constant('Hello World!')
# A is a 0-dimensional int32 tensor
A = tf.constant(1234) 
# B is a 1-dimensional int32 tensor
B = tf.constant([123,456,789]) 
 # C is a 2-dimensional int32 tensor
C = tf.constant([ [123,456,789], [222,333,444] ])

Session

TensorFlow 的 api 构建在 computational graph 的概念上，它是一种对数学运算过程进行可视化的一种方法。

如上图所示，一个 “TensorFlow Session” 是用来运行图的环境。这个 session 负责分配 GPU(s) 和／或 CPU(s) 包括远程计算机的运算。让我们看看怎么使用它：

with tf.Session() as sess:
    output = sess.run(hello_constant)

这段代码已经从上一行创建了一个 tensor hello_constant。下一行是在session里对 tensor 求值。

这段代码用 tf.Session 创建了一个sess的 session 实例。 sess.run() 函数对 tensor 求值，并返回结果。

tf.placeholder()

某些时候，你不能把数据赋值到 x 在把它传给 TensorFlow。因为后面你需要你的 TensorFlow 模型对不同的数据集采取不同的参数。这时你需要 tf.placeholder()！

数据经过 tf.session.run() 函数得到的值，由 tf.placeholder() 返回成一个 tensor，这样你可以在 session 开始跑之前，设置输入。

Session’s feed_dict

x = tf.placeholder(tf.string)

with tf.Session() as sess:
    output = sess.run(x, feed_dict={x: 'Hello World'})

用 tf.session.run() 里 feed_dict参数设置占位 tensor。上面的例子显示 tensor x 被设置成字符串 “Hello, world”。如下所示，也可以用 feed_dict 设置多个 tensor。

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})

#Tensorflow强制类型转换

tf.cast(tf.constant(2.0), tf.int32)

tf.Variable()

训练神经网络的目的是更新权重和偏差来更好的预测目标。为了使用权重和偏差，你需要一个能修改的 Tensor 。这就排除了tf.placeholder() 和 tf.constant() 因为他们的 Tensors 不能改变。这里就需要 tf.Variable 了。

x = tf.Variable(5)

tf.Variable 类创建一个 tensor，它的初始值可以被改变，就像普通的 Python 变量一样。tensor 把它的状态存在 session里，所以你必须手动初始化它的状态。你用tf.global_variables_initializer() 来初始化所有可变 tensors。

初始化

init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)

tf.global_variables_initializer() 会返回一个操作，它会从graph中初始化所有的 TensorFlow 变量。你可以通过 session 来呼叫这个操作来初始化所有上面的变量。
从正态分布中选择权重可以避免任意一个权重与其他权重相比有压倒性的特性。你可以用tf.truncated_normal() 函数从一个正态分布中产生随机数。

n_features = 120
n_labels = 5
#返回一个 tensor，它的随机值取自一个正态分布，并且它们的取值会在这个正态分布平均值的两个标准差之内。
weights = tf.Variable(tf.truncated_normal((n_features, n_labels)))