Tensorflow 基本操作（三）

Tensorflow 所支持的张量

1. 常量：常量是其值不能改变的张量。
2. 变量：当一个量在会话中的值需要更新时，使用变量来表示。
3. 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。（在会话中运行计算图时，可以为占位符赋值）

注意

1. 常量存储在计算图的定义中，每次加载图时都会加载相关变量。即常量占用内存。
2. 变量在使用前需要被显示初始化，变量是分开存储的，可以存储在参数服务器上。
3. 占位符不包含任何数据，因此不需要初始化。

常量

声明一个标量常量：

t1=tf.constant(4)

形如[1,2]的常量向量声明：

t2=tf.constant([4,5,6,7])

创建一个所有元素为零的张量，可以使用 tf.zeros() 函数。这个语句可以创建一个形如 [a，b] 的零元素矩阵，数据类型（dtype）可以是 int32、float32 （int32表示可以存放32位长度的整数，float32同理）
tf.zeros([a,b],tf.dtype)
例如

zero_t = tf.zeros([2,3],tf.int32)
# 结果是2X3的全零矩阵:[[0 0 0],[0 0 0]]

还可以创建与现有 Numpy 数组或张量常量具有相同形状的张量常量，例如：

tf.zeros_like(t2)
#创建的是一个和t2形状相同的全零矩阵
tf.ones_like(t2)
#创建的是一个和t2形状相同的全1矩阵

创建一个形如 [M，N]所有元素都设为 1 的张量：

tf.ones([M,N],tf,dtype)

例如：

ones_t = tf.ones([2,3],tf.int32)
# 结果是2X3的全1矩阵:[[1 1 1],[1 1 1]]

• 在一定范围内生成一个从初值到终值等差排布的序列：

tf.linspace(start,stop,num)

相应的值为 (stop-start)/(num-1)
例如：

range1 = tf.linspace(2.0,5.0,5)
#得到：[2. 2.75 3.5 4.25 5.]

• 从开始（默认值=0）生成一个数字序列，增量为 delta（默认值=1），直到终值（但不包括终值）：

tf.range(start,limit,delta)

例如：

range_t = tf.range(10)
#得到:[0 1 2 3 4 5 6 7 8 9]

TensorFlow 允许创建具有不同分布的随机张量：
1.创建一个具有一定均值（默认值=0.0）和标准差（默认值=1.0）、形状为 [M，N] 的正态分布随机数组

2.创建一个具有一定均值（默认值=0.0）和标准差（默认值=1.0）、形状为 [M，N] 的截尾正态分布随机数组：

3.要在种子的 [minval（default=0），maxval] 范围内创建形状为 [M，N] 的给定伽马分布随机数组，请执行如下语句：

4.要将给定的张量随机裁剪为指定的大小，使用以下语句：

tf.random_crop(t_random,[2,5],seed=12)
#t_random 是一个已经定义好的张量。这将导致随机从张量 t_random 中裁剪出一个大小为 [2，5] 的张量

当需要以随机的顺序来呈现训练样本时可以使用 tf.random_shuffle() 来沿着它的第一维随机排列张量：

tf.random_shuffle(t_random)
# t_random 是想要重新排序的张量

5.随机生成的张量受初始种子值的影响。要在多次运行或会话中获得相同的随机数，应该将种子设置为一个常数值。当使用大量的随机张量时，可以使用 tf.set_random_seed() 来为所有随机产生的张量设置种子。以下命令将所有会话的随机张量的种子设置为 54：
tf.set_random_seed(54)
种子只能有整数值

变量

变量通过使用变量类来创建。变量的定义还包括应该初始化的常量/随机值。
例如

rand_t=tf.random_unifrom([50,50],0,0,seed=0)
t_a=tf.Variable(rand_t)
t_b=tf.Variable(rand_t)
#创建了两个不同的张量变量 t_a 和 t_b。两者将被初始化为形状为 [50，50] 的随机均匀分布，最小值=0，最大值=10
#tf.Variable(initializer,name),参数initializer是初始化参数，name是可自定义的变量名称

注意：变量通常在神经网络中表示权重和偏置
（y=ax+b，a就是权重,b就是偏置）

• 下面的代码中定义了两个变量的权重和偏置。权重变量使用正态分布随机初始化，均值为 0，标准差为 2，权重大小为 100×100。偏置由 100 个元素组成，每个元素初始化为 0。在这里也使用了可选参数名以给计算图中定义的变量命名：
  

• 前边是利用一些常量来初始化变量，也可以指定一个变量来初始化另一个变量，例如：
  

• 变量的定义将指定变量如何被初始化，但是必须显式初始化所有的声明变量。在计算图的定义中通过声明初始化操作对象来实现：
  

• 每个变量也可以在运行图中单独使用tf.Variable.initializer 来初始化：

• 保存变量：使用 Saver 类来保存变量，定义一个 Saver 操作对象：
  saver = tf.train.Saver()

占位符

占位符用于将数据提供给计算图
1.定义占位符：

tf.placeholder(dtype,shape=None,name=None)
#dtype 定占位符的数据类型，并且必须在声明占位符时指定

2.例如为 x 定义一个占位符并计算 y=2*x，使用 feed_dict 输入一个随机的 4×5 矩阵：

需要注意

1. 所有常量、变量和占位符将在代码的计算图部分中定义。如果在定义部分使用 print 语句，只会得到有关张量类型的信息，而不是它的值。
2. 为了得到相关的值，需要创建会话图并对需要提取的张量显式使用运行命令

print(sess.run(t1))

拓展阅读

在需要大规模的常量张量对象的情况下，为了优化内存，最好将它们声明为一个可训练标志设置为 False 的变量：

t_large = tf.Varible(large_array,trainable = False)

所有的 TensorFlow 数据类型都是基于 Numpy 的，使用tf.convert_to_tensor() 可以将给定的值转换为张量类型，并将其与 TensorFlow 函数和运算符一起使用。该函数接受 Numpy 数组、Python 列表和 Python 标量，并允许与张量对象互操作。

• Tensorflow支持的常见数据类型：

与 Python/Numpy 序列不同，TensorFlow 序列不可迭代
例如：

for i in tf.range(10)
#会报错为：
#typeError("'Tensor'object id not iterable.")