一、tensorflow的数据类型汇总&变量的创建,初始化等&占位符创建以及完善

Constants as Sequences

tf.lin_space(start,stop,num,name=None)

TensorFlow数据类型汇总

tf.float16	半精度浮点数16-bit half-precision floating-point
tf.float32	单精度浮点数32-bit single-precision floating-point
tf.float64	双精度浮点数64-bit double-precison floating-point
tf.bfloat16	16位截断浮点数16-bit truncated floating-point
tf.complex64	64位复数64-bit single-precision complex
tf.complex128	128位复数128-bit double-precision complex
tf.int8	8位有符号整型8-bit signed integer
tf.uint8	8位无符号整型8-bit unsigned integer
tf.uint16	16位无符号整型16-bit unsigned integer
tf.int16	16位有符号整型16-bit signed integer
tf.int32	32位有符号整型32-bit signed integer
tf.int64	64位有符号整型64-bit signed integer
tf.bool	布尔型Boolean
tf.string	字符串型，每一个张量元素都是一个字节数组 String
tf.qint8	用于量化Ops的8位有符号整型Quantized 8-bit signed integer
tf.uqint8	用于量化Ops的8位无符号整型Quantized 8-bit unsigned integer
tf.qint16	Quantized 16-bit signed integer
tf.uqint16	Quantized 16-bit unsigned integer
tf.qint32	Quantized 32-bit signed integer
tf.resource	Handle to a mutable resource

变量(tf.Variable)

要多使用tf.Variable而不是tf.constant。因为当常量很多的时候，导入图就会开销很大。所以只在基本类型中使用常量。

变量的创建

变量的创建可以使用下面两种方式：
使用tf.Variable创建，例如

s = tf.Variable(2, name="scalar") 
m = tf.Variable([[0, 1], [2, 3]], name="matrix") 
W = tf.Variable(tf.zeros([784,10]))

使用tf.get_variable创建，例如

s = tf.get_variable("scalar", initializer=tf.constant(2)) 
m = tf.get_variable("matrix", initializer=tf.constant([[0, 1], [2, 3]]))
W = tf.get_variable("big_matrix", shape=(784, 10), initializer=tf.zeros_initializer())

tf.Variable和tf.get_variable的定义分别是下面：

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)

tf.get_variable(name, shape=None, dtype=None, initializer=None, regularizer=None, trainable=True, collections=None, caching_device=None, partitioner=None, validate_shape=True, custom_getter=None）

这两种创建变量的方式都能得到一个variable对象，而该变量具有好几种ops，比如创建了变量x=tf.Variable(…)，那么具有以下的ops:x.initializer(初始化)x.value()（read op）x.assign(…)（写入）opx.assign_add(…)（加）
所以可以看出：tf.constant是一个op，而tf.Variable是具有很多op的一个类。

变量必须初始化

变量在使用之前必须初始化，而需要注意的是，初始化操作(initializer)也是一个Op，必须在会话(session)中执行。
一次初始化所有的变量：

with tf.Session() as sess:
sess.run(tf.global_variables_initializer())

只是初始化一个变量的时候，可以使用initializer

with tf.Session() as sess:
sess.run(d.initializer)
d是定义好的一个变量。

tf.Variable.assign()

assign也是一个Op,需要在会话(session)中执行才能生效。

w=tf.Variable(10)
assign_op=w.assign(100)
with tf.Session() as sess:
    sess.run(w.initializer)
    sess.run(assign_op)
    print(w.eval())

assign_add() &assign_sub()分别对变量进行加和减运算。

每一个会话session都会有一个复制的变量。

占位符tf.placeholder()

占位符类似于函数的“形参”，先定义好变量的形式，执行的时候再赋予具体的值。占位符并没有初始值，只是分配了必要的内存。使用占位符，可以在想执行计算的时候再完善数据。

tf.placeholder(dtype,shape=None,name=None)
shape张量的形状

下面是创建占位符，并完善占位符的例子：

# create a placeholder for a vector of 3 elements, type tf.float32
a = tf.placeholder(tf.float32, shape=[3])

b = tf.constant([5, 5, 5], tf.float32)

# use the placeholder as you would a constant or a variable
c = a + b  # short for tf.add(a, b)

with tf.Session() as sess:
    print(sess.run(c))          # >> InvalidArgumentError: a doesn’t an actual value

执行会报错，所以在执行前要完善占位符。完善占位符的办法如下所示：

with tf.Session() as sess:
    print(sess.run(c, feed_dict={a: [1, 2, 3]}))    # the tensor a is the key, not the string ‘a’

# >> [6, 7, 8]

或者省略掉feed_dict：

with tf.Session() as sess:
    print(sess.run(c, {a: [1, 2, 3]}))

feed_dict是一个字典，在字典中给出用到占位符的取值，feed_dict={key:value,key:value…}

lazy loading问题

每一步计算（computing）或者运行（running）用到的操作（op）最好都要单独定义，在会话中执行，否则会创建多余的节点，消耗内存。