炼数成金Tensorflow学习笔记之2.2_变量

代码及分析

import tensorflow as tf

x = tf.Variable([1, 2])
a = tf.constant([3, 3])

sub = tf.subtract(x, a)
add = tf.add(x, sub)

init_op = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init_op)
    print(sess.run(sub))  # [-2 -1]
    print(sess.run(add))  # [-1  1]

# 创建一个变量，初始化为0
state = tf.Variable(0, name="counter")
# 创建一个op，作用是使state加1 
new_value = tf.add(state, 1)
# 下面是一个赋值op
update = tf.assign(state, new_value)
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print(sess.run(state))
    for _ in range(5):
        print(sess.run(update))
#        sess.run(tf.assign(state, new_value))
        print(sess.run(state))
'''
这一块的输出结果：
0
1
1
2
2
3
3
4
4
5
5
'''

1. tf.Variable(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
   )
   作用：生成一个变量，维护图在执行过程中的状态信息
   initial_value=None：Variable 类的初始值，这个变量必须指定 shape 信息，否则后面 validate_shape 需设为 False
   trainable=True：是否把变量添加到 collection GraphKeys.TRAINABLE_VARIABLES 中（collection 是一种全局存储，不受变量名生存空间影响，一处保存，到处可取）
   collections=None：全局存储，默认是 GraphKeys.GLOBAL_VARIABLES
   validate_shape=True：是否允许被未知维度的 initial_value 初始化
   caching_device=None：指明哪个 device 用来缓存变量
   name=None：变量名
   variable_def=None：
   dtype=None：如果被设置，初始化的值就会按照这个类型初始化
   expected_shape=None：要是设置了，那么初始的值会是这种维度
   import_scope=None：
   另一篇博客中有介绍
2. tf.subtract(x, y, name=None)
   作用：返回 x-y 的元素.
   注意：Subtract 支持广播.
3. tf.add(x,y,name=None)
   作用：返回 x+y 的元素.
   注意：Subtract 支持广播.
4. tf.global_variables_initializer()
   作用：添加节点用于初始化全局变量(GraphKeys.GLOBAL_VARIABLES)。返回一个初始化所有全局变量的操作（Op）。
   与之相对应的有一个tf.local_variables_initializer()：返回一个初始化所有局部变量的操作（Op）。初始化局部变量（GraphKeys.LOCAL_VARIABLE）。
5. tf.assign(ref, value, validate_shape=None, use_locking=None, name=None)
   作用：函数完成了将value赋值给ref的作用。