tensorflow---之常量与变量的区别

常量和变量

TensorFlow 中最基本的单位是常量（Constant）、变量（Variable）和占位符（Placeholder）。常量定义后值和维度不可变，变量定义后值可变而维度不可变。在神经网络中，变量一般可作为储存权重和其他信息的矩阵，而常量可作为储存超参数或其他结构信息的变量。下面我们分别定义了常量与变量：

1. a = tf.constant(2, tf.int16)

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

3. c = tf.constant(8, tf.float32)

4.  

5. d = tf.Variable(2, tf.int16)

6. e = tf.Variable(4, tf.float32)

7. f = tf.Variable(8, tf.float32)

8.  

9. g = tf.constant(np.zeros(shape=(2,2), dtype=np.float32))

10.  

11. h = tf.zeros([11], tf.int16)

12. i = tf.ones([2,2], tf.float32)

13. j = tf.zeros([1000,4,3], tf.float64)

14.  

15. k = tf.Variable(tf.zeros([2,2], tf.float32))

16. l = tf.Variable(tf.zeros([5,6,5], tf.float32))

在上面代码中，我们分别声明了不同的常量（tf.constant()）和变量（tf.Variable()），其中tf.float 和tf.int tftf分别声明了不同的浮点型和整数型数据。而 tf.ones() 和 tf.zeros() 分别产生全是 1、全是 0 的矩阵。我们注意到常量 g，它的声明结合了 TensorFlow 和 Numpy，这也是可执行的。

w1=tf.Variable(tf.random_normal([2,3],stddev=1,seed=1))

以上语句声明一个2 行 3 列的变量矩阵，该变量的值服从标准差为 1 的正态分布，并随机生成。

 

现在，我们可以应用变量来定义神经网络中的权重矩阵和偏置项向量：

1. weights = tf.Variable(tf.truncated_normal([256 * 256, 10]))

2. biases = tf.Variable(tf.zeros([10]))

3. print(weights.get_shape().as_list())

4. print(biases.get_shape().as_list())

5. #输出

6. >>>[65536, 10]

7. >>>[10]

1. 转载：https://blog.csdn.net/m0_37324740/article/details/77803590