TensorFlow笔记（二）：TensorFlow常量、变量和占位符

TensorFlow中用张量（Tensor）来表示所有的数据结构。张量，可以理解为一个n维矩阵，所有类型的数据都是通过张量来表示的。

本文所用的TensorFlow版本为1.15，以下资料参考自TensorFlow官方API

常量

常量与其他编程语言中的一样，是不可改变的张量。

tf.constant（）

tf.constant(
    value,
    dtype=None,
    shape=None,
    name='Const',
    verify_shape=False
)

• value
  常量的值，使用时必须指定。
• dtype
  常量类型，默认为未指定，当未指定时，从value自动推断。如果dtype指定类型，则将value强制转换为dtype。
• shape
  常量的形状，该参数是可选的。如果存在，将指定常量的尺寸。如果不存在，则使用value的形状。value在指定时，如果为列表，长度必须小于或等于shape所含的元素数量。如果列表长度小于指定的shape元素数量，则列表中的最后一个元素将用于填充其余的条目。

  tensor = tf.constant([1, 2, 3, 4]，shape = [2,3]) => [[1,2,3]
  												  	  [4,4,4]]
  

• name
  为常量定义名称，默认为Const。
• verify_shape
  默认值为False，如果值为True时，在定义常量时会自动检测value和shape维度是否相同，不同则报错，例如value定义为1，而shape定义为一行两列的矩阵[1,2]，那么肯定会报错。

变量

当一个量在会话中的值需要更新时，使用变量来表示。例如，在神经网络中，权重需要在训练期间更新，可以通过将权重声明为变量来实现。变量在使用前需要被显示初始化。

tf.Variable类

TensorFlow中的变量使用Variable类来保存，使用时用initial_value参数指定初始化函数，name参数指定变量名。同时，支持用常量函数对变量进行初始化。

#定义一个变量，该变量大小为[1]，值取自（-1.0，1.0）均匀分布
Weights = tf.Variable(tf.random_uniform([1],-1.0,1.0))
#定义一个变量，该变量大小为[1]，值均为0
biases = tf.Variable(tf.zeros([1]))

变量与常量有所不同，变量只指定了生成的方法，但是在运行之前还没有进行真正的初始化，所以对变量都应该进行初始化操作。

init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init) 

tf.get_variable()

tf.get_variable() 函数也用于生成变量，相比于 tf.Variable 类，该函数多了对变量名进行检查的过程，该函数不允许在同一个变量上下文中出现同名变量。在使用 tf.Variable 类创建同名变量时，生成函数会自动修正变量的名称，而 tf.get_variable() 函数报错。

w_1 = tf.Variable(1,name="w_1")
w_2 = tf.Variable(1,name="w_1")
print (w_1.name)
print (w_2.name)
#输出
#w_1:0
#w_1_1:0

import tensorflow as tf

w_1 = tf.get_variable(name="w_1",initializer=1)
w_2 = tf.get_variable(name="w_1",initializer=2)
print (w_1.name)
print (w_2.name)
#ValueError:Variable w_1 already exists, disallowed.

在使用tf.get_variable()时，通常要指定初始化类initializer参数才能生成不同分布的数据。

初始化类	数据
tf.constant_initizlizer	使用常量初始化
tf.random_normal_initializer	正态分布初始化
tf.random_uniform_initializer	均匀分布初始化
tf.zeros_initializer	全0初始化
tf.ones_initializer	全1初始化

占位符

用于将值输入 TensorFlow 图中。它们可以和 feed_dict 一起使用来输入数据。在训练神经网络时，它们通常用于提供新的训练样本。在会话中运行计算图时，可以为占位符赋值。这样在构建一个计算图时不需要真正地输入数据。需要注意的是，占位符不包含任何数据，因此不需要初始化它们。

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

占位符在使用时，使用feed_dict来赋值，其格式为字典型。

import tensorflow as tf

x = tf.placeholder(tf.float32)
y = 2*x
data = tf.random_uniform([1,5],10)
with tf.Session() as sess:
    x_data = sess.run(data)
    print(sess.run(y, feed_dict= {x:x_data}))

输出结果为

[[10.778231  9.779522 15.694902 16.73773   5.340846]]