tensorflow-tf.reshape tf.assign tf.assign_add tf.control_dependencies tf.group tf.tuple tf.identity

 

 

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)