Tensorflow 学习笔记（一）逻辑回归、 tensor、tf.Variable、tf.placeholder、sess 占位符、张量

占位符、张量)

Tensorflow 将程序分成两个独立的部分——计算图的定义、计算图的执行（提高并行能力）。

第一部分：定义

为了构建计算图，需要定义所有要执行的常量、变量和运算操作。
计算图是包含节点和边的网络，张量tensor对象是tensorflow中使用的数据，包括常量 tf.constant、变量tf.Variable和占位符tf.placeholder。

tensor：可理解为一个n维矩阵，所有类型的数据，包括标量（0阶张量）、矢量（一阶张量、矩阵（二阶张量）等都是特殊类型的张量）

变量tf.Variable：

tf.Variable(initializer,name)

//tf.Variable
w = tf.Variable(tf.zeros([self.seq_length,self.config.num_classes]))
b = tf.Variable(tf.zeros([self.config.num_classes]))

变量通常在神经网络中表示权重w和偏置b；

// Save
saver = tf.train.Save()

使用Saver类来保存变量，定义一个Saver操作对象

// global variables initializer
sess.run(tf.global_variables_initializer)

初始化全局变量

占位符tf.placeholder

tf.placeholder(dtype,shape=None,name=None)

dype为占位符的数据类型，并且必须在声明占位符时指定。shape为数据形状，None默认为一维。

// tf.placeholder
self.x = tf.placeholder(tf.float32,[None,self.seq_length]

占位符，为seq_length列，行不定

第二部分：执行（会话）

为了使定义的图生效，首先需要使用tf.Session() 定义一个会话对象sess。然后使用Session类中定义的run：

run(fetches,feed_dict=nONE,options=None,run_metadata)

// Session
session = tf.Session()
session.run(tf.global_variables_initializer())
saver = tf.train.Saver()
saver.restore(sess = session, save_path = config.lr_save_path)
y_pred_cls = session.run(model.y_pred_cls,feed_dict={model.x:data})
return categories[y_pred_cls[0]]

运行结果的值会在fetches中提取，run方法在每次计算图的时候，都会对fetches中相关的张量和操作进行赋值。
请记住，每个会话都需要使用 close() 来明确关闭，而 with 格式可以在运行结束时隐式关闭会话。

Reference：http://c.biancheng.net/view/1886.html