1. 如何得知一个变量的名字
#获取了变量的值
变量名.name()
#获取变量的值
se.run(变量名) # se是会话的名字
2. 关于变量作用域这个问题…待定吧
3. 定义变量的方式:
用给给定值定义:
var1 = tf.Variable(10.0 , name="varname")
var2 = tf.Variable(13.0 )
可以查看变量的名字和 变量的值:
第一种方式,直接创建会话:
se=tf.Session()
print(se.run(w)) #就得到了变量的值
print(w.name) #就得到了变量的名字
第二种方式 ,通过构建上下文管理器创建会话:
with tf.Session as se:
se.tf.global_variables_initializer().run()
print(se.run(w)) #就得到了变量的值
print(w.name) #就得到了变量的名字
4. 初始化变量的方法 的使用:
4. 1
# 创建一个会话
se=tf.Session()
se.run(tf.global_variables_initializer())
或者是:
tf.global_variables_initializer().run(session=se)
这两种方式都会给 初始化所有的全局变量
因此,要注意初始化变量的操作是通过会话实现的!!!
4. 2
#通过上下文管理器 来创建 会话,然后通过会话 来初始化变量!!!
with tf.Session() as se:
tf.global_variables_initializer().run()
5. tf.InteractiveSession()和tf.Session()
我们使用tf.InteractiveSession()来构建会话的时候,我们可以先构建一个session然后再定义操作(operation),如果我们使用tf.Session()来构建会话我们需要在会话构建之前定义好全部的操作(operation)然后再构建会话。
在使用时,tf.InteractiveSession() ,要放在代码的开始位置。然乎定义各项操作。
tf.Session()则相反。
对此学习仅止于此,他们之间的其他关系暂不考虑,网上还有他们的其他关系。
参考文献
6. 参数是形状的情况
参数是形状,那么一般是给出 列表 的形式,其中第一个数字代表第一维度,第二个数字代表第二维度,以此类推…
7. placeholder()
8. 矩阵加法
矩阵加法就是矩阵对应的元素相加。
矩阵乘法和矩阵对应元素的乘法不一样。(数组只能进行对应元素相乘,那个时候其实他也不叫矩阵了)
数组对应元素相乘:
tf.multiply(X, W)
9. 构建前向结构
前向结构
z = tf.multiply(X, W)+ b
10. tf.square(a,name=None)
作用是对数据a的每个元素求平方!name是这个操作的名字一般是忽略不写。
a = [[2,3],[4,5]]
with tf.Session() as se:
x=tf.square(a)
print(se.run(x)) #通过se.run(x) 来获得x的值,前面有讲过
11.
reduce_mean(
input_tensor,
axis=None,
keep_dims=False,
name=None,
reduction_indices=None)
一般只使用input_tensor:表示输入的张量;axis=None表示 要降维是哪一维(0表示列,1表示行);keep_dims=False, 表示在降维的那个维度上是否保持原状。
例子:
import tensorflow as tf
x = [[1,2,3],
[1,2,3]]
xx = tf.cast(x,tf.float32)
mean_all = tf.reduce_mean(xx, keep_dims=False)
mean_0 = tf.reduce_mean(xx, axis=0, keep_dims=False)
mean_1 = tf.reduce_mean(xx, axis=1, keep_dims=False)
with tf.Session() as sess:
m_a,m_0,m_1 = sess.run([mean_all, mean_0, mean_1])
print m_a # output: 2.0
print m_0 # output: [ 1. 2. 3.]
print m_1 #output: [ 2. 2.]
如果设置保持原来的张量的维度,keep_dims=True ,结果:
print m_a # output: [[ 2.]]
print m_0 # output: [[ 1. 2. 3.]]
print m_1 #output: [[ 2.], [ 2.]]
类似函数还有:
- [ ]
- List item
tf.reduce_sum :计算tensor指定轴方向上的所有元素的累加和;
tf.reduce_max : 计算tensor指定轴方向上的各个元素的最大值;
tf.reduce_all : 计算tensor指定轴方向上的各个元素的逻辑和(and运算);
tf.reduce_any: 计算tensor指定轴方向上的各个元素的逻辑或(or运算);