TensorFlow学习之常用函数

Tensorflow的设计理念称之为计算流图，在编写程序时，首先构筑整个系统的graph，代码并不会直接生效。然后，在实际的运行时，启动一个session，程序才会真正的运行。很多python程序的底层为C语言或者其他语言，执行一行脚本，就要切换一次，这样做的好处就是：避免反复地切换底层程序实际运行的上下文，tensorflow帮你优化整个系统的代码。

所以placeholder()函数是在神经网络构建graph的时候在模型中的占位，此时并没有把要输入的数据传入模型，它只会分配必要的内存。等建立session，在会话中，运行模型的时候通过feed_dict()函数向占位符喂入数据。

 

tf.placeholder()

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

dtype：数据类型。常用的是 tf.float32,tf.float64等数值类型

shape：数据形状。默认是None，就是一维值，也可以是多维（比如[2,3], [None, 3]表示列是3，行不定）

name：名称

 

sess.run()

tf.Session.run(fetches, feed_dict=None)

当我们构建完图后，需要在一个会话中启动图，启动的第一步是创建一个Session对象。为了取回（Fetch）操作的输出内容, 可以在使用 Session 对象的 run()调用执行图时，传入一些 tensor, 这些 tensor 会帮助你取回结果。

在执行sess.run()时，tensorflow并不是计算了整个图，只是计算了与想要fetch 的值相关的部分。

feed_dict 的作用是给使用placeholder创建出来的tensor赋值

import tensorflow as tf
Str = tf.placeholder(tf.string)
with tf.Session() as sess:
    output = sess.run(Str, feed_dict={Str: 'Hello World'})
    print(output)

 

矩阵乘法

• tf.random_normal 从正态分布中输出随机值
• tf.truncated_normal 从截断的正态分布中输出随机值