Tensorflow深度学习实战之(四)--变量的管理以及数据的注入到计算图模型图中

本文链接：https://blog.csdn.net/tore007/article/details/126016957

文章目录

一、变量管理
二、将数据注入到张量中
总结

一、变量管理

tf.Variable() 来创建变量方法见变量的定义
tf.get_variable() 来获取变量方法见初始化常量获取变量
tf.placeholder() 使用占位符创建变量，但是占位符没用初始值，它只会分配必要的内存，其值是在会话中由用户在调用run方法传递的。

tf.placeholder(dtype, shape=None, name=None), 用来创建一个指定形状的占位符，是张量的一种特殊形式，其参数含义如下：
dtype：必填，数据类型默认为value的数据类型
shape：选填，数据形状默认时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：选填，占位符名，默认值不重复

import tensorflow as tf
v1 = tf.placeholder(tf.float32, shape=(2,3), name='v1')
v2 = tf.placeholder(tf.float32, shape=(None,3,4), name='v2')
print(v1.shape)
print(v2.shape)

输出结果为：

(2, 3)
(?, 3, 4)

tf.variable_scope() 用来指定变量的作用域，可以让不同作用域的变量有相同的命名，并在会话中使用 tf.get_variable()获取变量和tf.Variable()创建的变量，该函数还可以使用属性 resuse=True 表示使用已经定义过的变量，这是 tf.get_variable() 不会创建新的变量而是直接获取已经创建的变量。

创建三个作用域，前两个作用域通过 tf.get_variable() 获取两个名称一致的变量，第三个作用域使用 reuse=True 属性重用第二个作用域变量，并在Session中输出，其程序编写如下：

import tensorflow as tf
with tf.variable_scope('v1'):
 a1 = tf.get_variable(name='a1', initializer=tf.constant(1))
with tf.variable_scope('v2'):
 a2 = tf.get_variable(name='a1', initializer=tf.constant(1))
with tf.variable_scope('v2', reuse=True):
 a3 = tf.get_variable('a1',dtype=tf.int32) 
init_op = tf.global_variables_initializer()
with tf.Session() as sess:
 sess.run(init_op)
 print(a1.name)
 print(a2.name)
 print(a3.name)

输出结果为：

v1/a1:0
v2/a1:0
v2/a1:0

tf.name_scope() 具有命名空间管理的功能，给几个变量包一层名字方便变量管理，就像操作系统文件夹命名一样，不同的顶层文件夹下可以有同名文件，在其下会话中使用 tf.get_variable()获取变量和tf.Variable()创建的变量

tf.name_scope(name, default_name=None, values=None), 用来创建一个命名空间，其参数含义如下：
name：命名空间的名字
default_name：如果name参数为None，则使用默认的名称
value：传递给op函数的张量参数列表

import tensorflow as tf
with tf.name_scope("first"):
 a1 = tf.Variable(name="weights", [1.0, 2.0])
with tf.name_scope("second"):
 a2 = tf.Variable(name="weights",[3,.0, 4,0])
init_op = tf.global_variables_initializer()
with tf.Session() as sess:
 sess.run(init_op)
 print(a1.name)
 print(a2.name)

输出结果为：

first/weights:0
second/weights:0

二、将数据注入到张量中

Tensorflow的数据供给机制允许你在计算图中将数据注入到任意张量中，首先需要设置placeholder 节点，然后通过run() 函数输入feed_dict 参数中，注入方法的使用如下程序所示：

printf()中的 %i 是指定整数的格式说明符，说明要存储哪种类型的数据以及要打印哪种类型的数据，

import tensorflow as tf
a = tf.placeholder(dtype=tf.int16) #声明整型张量
b = tf.placeholder(dtype=tf.int16) 
add = tf.add(a,b)
mul = tf.multiply(a,b)
with tf.Session() as sess:
 print("相加：%i"%sess.run(add, feed_dict={a:3,b:4})) #将a，b的值喂入到模型中
 print("相乘：%i"%sess.run(mul, feed_dict={a:3,b:4}))