TensorFlow学习笔记——节点（constant、placeholder、Variable）

版本: tensorflow 1.10

TensorFlow学习笔记——节点（constant、placeholder、Variable）

1. constant（常量）

cons = tf.constant(
    value=[1,2],
    dtype=tf.float32,
    shape=(1,2),
    name='testconst',
    verify_shape=False
 )

参数说明:

value：初始值，必填，必须是一个张量（1或[1,2,3]或[[1,2,3],[2,2,3]]或......）

dtype：数据类型，选填，默认为value的数据类型，传入参数为tensorflow下的枚举值（float32，float64.......）

shape：数据形状，选填，默认为value的shape，设置时不得比value小，可以比value阶数、维度更高，超过部分按value提供最后一个数字填充，示例代码如下

import tensorflow as tf

sess = tf.InteractiveSession()
cons1 = tf.constant([1, 2, 3], shape=[2, 3])
print(sess.run(cons1))
# [[1 2 3]
#  [3 3 3]]

name：常量名，选填，默认值不重复，根据创建顺序为（Const，Const_1，Const_2.......）

verify_shape:是否验证value的shape和指定shape相符，若设为True则进行验证，不相符时会抛出异常

 

2. placeholder（占位符）

placeholder是TensorFlow的占位符节点，其是一种常量，在用户调用run方法时传递值。

可以将placeholder理解为一种形参,即不像constant那样可以直接使用，需要用户后期向其传递常数值。

X = tf.placeholder(dtype=tf.float32, shape=[144, 10], name='X')

参数说明:

dtype：数据类型，必填，默认为value的数据类型，传入参数为tensorflow下的枚举值（float32，float64.......）

shape：数据形状，选填，不填则随传入数据的形状自行变动，可以在多次调用中传入不同形状的数据

name：常量名，选填，默认值不重复，根据创建顺序为（Placeholder，Placeholder_1，Placeholder_2.......）

import tensorflow as tf
import numpy.random as random

#占位符shape不设时会按传入参数自行匹配
node1 = tf.placeholder(tf.float32)  # , shape=[4, 5])
node2 = tf.placeholder(tf.float32)  # , shape=[4, 5])
op = tf.multiply(node1, node2)
session = tf.Session()
const1 = tf.constant(random.rand(4, 5))
const2 = tf.constant(random.rand(4, 5))
#可以传入初始化后的常量
print(session.run(op, {node1: session.run(const1), node2: session.run(const2)}))
#也可以直接传入张量，其实同初始化后的常量一致
print(session.run(op, {node1: random.rand(2, 3), node2: random.rand(2, 3)}))

3. Variable（变量） 

Vatiable是tensorflow的变量节点，需要传递初始值。在使用前通过 tf.Variable() 进行初始化。

#常用参数  initial_value，dtype，name，创建代码如下
W = tf.Variable(tf.zeros([3, 10]), dtype=tf.float64, name='W')

 参数说明:

__init__(
    initial_value=None,
    trainable=True,
    collections=None,
    validate_shape=True,
    caching_device=None,
    name=None,
    variable_def=None,
    dtype=None,
    expected_shape=None,
    import_scope=None,
    constraint=None,
    use_resource=None,
    synchronization=tf.VariableSynchronization.AUTO,
    aggregation=tf.VariableAggregation.NONE
)

initial_value：Tensor或可转换为Tensor的Python对象，它是Variable的初始值。除非validate_shape设置为False，否则初始值必须具有指定的形状。也可以不指定初始值，在调用时返回初始值。在这种情况下，必须指定dtype。 （请注意，init_ops.py中的初始化函数必须首先绑定到形状才能在此处使用。）

trainable：如果为True，则默认值也会将变量添加到图形集合GraphKeys.TRAINABLE_VARIABLES中。此集合用作Optimizer类使用的默认变量列表。

collections：图表集合键列表。新变量将添加到这些集合中。默认为[GraphKeys.GLOBAL_VARIABLES]。

validate_shape：如果为False，则允许使用未知形状的值初始化变量。如果为True，则默认为initial_value的形状必须已知。

caching_device：可选设备字符串，描述缓存变量供读取的位置。默认为Variable的设备。如果不是None，则在其他台设备上缓存。典型用法是在使用变量驻留的Ops的设备上进行缓存，以通过Switch和其他条件语句进行重复数据删除。

name：变量的可选名称。默认为“Variable”并获取自动去重（Variable_1,Variable_2....）

variable_def：VariableDef协议缓冲区。如果不是None，引用图中已存在的变量节点容重新创建Variable对象。图表未更改。 variable_def和其他参数是互斥的。

dtype：如果设置，则initial_value将转换为给定类型。如果为None，则保留数据类型（如果initial_value为Tensor），或者由convert_to_tensor决定。

expected_shape：TensorShape。如果设置，则initial_value应具有此形状。

import_scope：可选字符串。要添加到变量的名称范围。仅在从协议缓冲区初始化时使用。
约束：由优化器更新后应用于变量的可选投影函数（例如，用于实现层权重的范数约束或值约束）。该函数以未投影的Tensor作为输入，并返回Tensor的投影值（必须具有相同的形状）。在进行异步分布式培训时，使用约束是不安全的。

use_resource：是否使用资源变量。

synchronization: 未使用

aggr

egation: 未使用

 

参考:

http://www.cnblogs.com/Vulpers/p/7809276.html

https://tensorflow.google.cn/api_docs/python/tf/Variable