tensorflow中的常量、变量和占位符

部分内容转自https://blog.csdn.net/baidu_15113429/article/details/78077834?locationNum=8&fps=1

https://blog.csdn.net/fei13971414170/article/details/73309106

先给一个实例，

#先导入TensorFlow
import tensorflow as tf

# Create TensorFlow object called hello_constant
hello_constant = tf.constant('Hello World!')

with tf.Session() as sess:
    # Run the tf.constant operation in the session
    output = sess.run(hello_constant)
    print(output)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10

也许有人奇怪，为什么不直接输出“Hello World！”呢，这个看起来很麻烦，是吗？其实不是的
1.Tensor是什么？
在 TensorFlow 中，数据不是以整数，浮点数或者字符串形式存在的，而是被封装在一个叫做 tensor 的对象中。Tensor是张量的意思，张量包含了0到任意维度的量，其中，0维的叫做常数，1维的叫做向量，二维叫做矩阵，多维度的就直接叫张量量。在 hello_constant = tf.constant(‘Hello World!’) 代码中，hello_constant是一个 0 维度的字符串 tensor，tensors 还有很多不同大小：

# tensor1 是一个0维的 int32 tensor
tensor1 = tf.constant(1234) 
# tensor2 是一个1维的 int32 tensor
tensor2 = tf.constant([123,456,789]) 
 # tensor3 是一个二维的 int32 tensor
tensor3 = tf.constant([ [123,456,789], [222,333,444] ])

• 1
• 2
• 3
• 4
• 5
• 6

2.Session是Tensorflow中的一个重要概念
Tensorflow中的所有计算都构建在一张计算图中，这是一种对数学运算过程的可视化方法。就像刚才的代码：

with tf.Session() as sess:
    output = sess.run(hello_constant)

• 1
• 2

这个session就是负责让这个图运算起来，session的主要任务就是负责分配GPU或者CPU的。

3.tf.placeholder()
前面代码中出现了tf.constant(‘Hello World!’)，这个tf.constant是用来定义常量的，其值是不变的，但是如果你需要用到一个变量怎么办呢？

这个时候就需要用到tf.placeholder() 和 feed_dict了。
先给代码

x = tf.placeholder(tf.string)

with tf.Session() as sess:
    output = sess.run(x, feed_dict={x: 'Hello World'})

• 1
• 2
• 3
• 4

tf.placeholder表示一个占位符，至于是什么类型，看自己定义了，这里定义的是tf.string类型，然后呢，在session开始run以前，也就死这个图开始计算以前，就使用feed_dict将对应的值传入x，也就是这个占位符。
同样的feed_dict可以设置多个tensor

x = tf.placeholder(tf.string)
y = tf.placeholder(tf.int32)
z = tf.placeholder(tf.float32)

with tf.Session() as sess:
    output = sess.run(x, feed_dict={x: 'Test String', y: 123, z: 45.67})

• 1
• 2
• 3
• 4
• 5
• 6

但是需要注意的是，使用feed_dict设置tensor的时候，需要你给出的值类型与占位符定义的类型相同。

import tensorflow as tf

a = tf.constant(2, tf.int16)
b = tf.constant(4, tf.float32)

graph = tf.Graph()
with graph.as_default():
    a = tf.Variable(8, tf.float32)
    b = tf.Variable(tf.zeros([2, 2], tf.float32))

with tf.Session(graph=graph) as session:
    tf.global_variables_initializer().run()
    print(session.run(a))
    print(session.run(b))

• 
  

实验结果：

8
[[ 0.  0.]
 [ 0.  0.]]

• 
  

tensorflow在图graph中定义了a,b两个变量，在启动graph时候，必须把变量加载到内存中（通过方法global_variables_initializer()）
，这样才能在session中run(a),run(b)
session只能启动graph=graph中的变量，如果变量不在graph中就会报错。

import tensorflow as tf


graph = tf.Graph()
with graph.as_default():
    a = tf.Variable(8, tf.float32)
    b = tf.Variable(tf.zeros([2, 2], tf.float32))
a = tf.constant(2, tf.int16)
b = tf.constant(4, tf.float32)
with tf.Session(graph=graph) as session:
    tf.global_variables_initializer().run()
    print(session.run(a))
    print(session.run(b))

• 
  

报错

ValueError: Fetch argument <tf.Tensor 'Const:0' shape=() dtype=int16> cannot be interpreted as a Tensor. (Tensor Tensor("Const:0", shape=(), dtype=int16) is not an element of this graph.)

• 
  

变量必须初始化才会有具体的值global_variables_initializer()进行初始化，而常量就不用初始化。
占位符
占位符是定义一个可变的常量，占位符赋值后不用初始化就可以获取值。

import tensorflow as tf

x = tf.placeholder(tf.string)
y = tf.placeholder(tf.int32)
z = tf.placeholder(tf.float32)

with tf.Session() as sess:
    output = sess.run(x, feed_dict={x: 'Test String', y: 123, z: 45.67})
print(output)

• 
  

实验结果：

Test String

•