基础知识:
np.reshape(A,(BACHT,HEIGHT,WIDTH,DEPTH))
tf.reshape(A,[,]) 注意 上面是小括号() 下面是 中括号【】。
注意:占位符使用》tf.placeholder 目的是占位后通过session run整个计算图,feed_dict 这个占位符后可以run运行。
注意 在session.run中,只有操作operate才会执行一次,而如果run的是一个tensor 那么他只会应用一次,每次引用值不会改变,
在引用中,不会处理图中的operator。
例如:
a = tf.Variable(3)
op = tf.assign_add(a,1)
#a = a + 1
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
sess.run(op)
#sess.run(a)
sess.run(op)
#sess.run(a)
sess.run(op)
#sess.run(a)
sess.run(op)
print(sess.run(a))
>>7
这里上面 tf.assign_add是操作,故每次run op是run的 一个个操作,故会一次次执行,add(a=a+1)故=7.
而如果 用#打开后,print的值是 4,因为 = 不是执行操作,只是一个tensor 只有op执行后他会默认加1,如果op所有关闭不执行(tf.assign_add也关闭) 那么他永远是4,只是开始执行了1次a=a+1.
同样我写一个
with tf.control_dependencies([x_plus_1]):
y = x
其他操作总结如下:
tf.assign_add(x,1) op 表示 自身相加x=x+1 tf.assign_add tensor相加 是 op
tf.assign(x,y) op 表示 赋值 tf.assign 实现 赋值操作,可以实现tensor1 赋值给tensor2 不是 指针指向关系
tf.control.depencies(): op 表示 op先后顺序
tf.control_dependencies()
设计是用来控制计算流图的,给图中的某些计算指定顺序。因为
with tf.control_dependencies([x_plus]):#只有当内部为操作时以来才会生效 #y = tf.identity(x)#将该语句变为操作 y = x
update = tf.group(y)#将该语句变为操作
tf.group() op 将 整理 ()里面的内容到一个组中,用于创造一个操作,可以将传入参数的所有操作进行分组
tf.group()返回的是个操作,而不是值,如果你想下面一样用,返回的将不是值,要返回值 请用tf.tuple(tf.group()返回的 是op
,tf.tuple()返回的是list of tensor)
tf.tuple() op 返回的是list
tf.identity: op 实现将一个赋值,但是不是 =的 指针 而是一个 操作 可以在图中呈现的,
y = tf.identity(x) 和 y=x op=tf.group(y)一个意思,即转化为了 op 可在图中实现,
= 自是是一个tensor,而不是op 切记!
例如: 单纯 y=x 无法实现sess run的时候的 计算图,故需要转化!
x = tf.Variable(0.0)
x_plus_1 = tf.assign_add(x, 1)
with tf.control_dependencies([x_plus]):
#y=x
#op=tf.group(y)
#y= tf.identity(x)
# y= tf.tuple(x)