Tensorflow 基本操作（三）

常量：常量是其值不能改變的張量。

變數：當乙個量在會話中的值需要更新時，使用變數來表示。

佔位符：用於將值輸入 tensorflow 圖中。它們可以和 feed_dict 一起使用來輸入資料。（在會話中執行計算圖時，可以為佔位符賦值）注意

常量儲存在計算圖的定義中，每次載入圖時都會載入相關變數。即常量占用記憶體。

變數在使用前需要被顯示初始化，變數是分開儲存的，可以儲存在引數伺服器上。

佔位符不包含任何資料，因此不需要初始化。

宣告乙個標量常量：

t1=tf.constant(
4)

形如[1,2]的常量向量宣告：

t2=tf.constant([4
,5,6
,7])

建立乙個所有元素為零的張量，可以使用 tf.zeros() 函式。這個語句可以建立乙個形如 [a，b] 的零元素矩陣，資料型別（dtype）可以是 int32、float32 （int32表示可以存放32位長度的整數，float32同理）

tf.zeros([a,b],tf.dtype)

例如

zero_t = tf.zeros([2
,3],tf.int32)
# 結果是2x3的全零矩陣:[[0 0 0],[0 0 0]]

還可以建立與現有 numpy 陣列或張量常量具有相同形狀的張量常量，例如：

tf.zeros_like(t2)
#建立的是乙個和t2形狀相同的全零矩陣
tf.ones_like(t2)
#建立的是乙個和t2形狀相同的全1矩陣

建立乙個形如 [m，n]所有元素都設為 1 的張量：

tf.ones(
[m,n]
,tf,dtype)

例如：

ones_t = tf.ones([2
,3],tf.int32)
# 結果是2x3的全1矩陣:[[1 1 1],[1 1 1]]

tf.linspace(start,stop,num)

相應的值為 (stop-start)/(num-1)

例如：

range1 = tf.linspace(
2.0,
5.0,5)
#得到：[2. 2.75 3.5 4.25 5.]

tf.
range
(start,limit,delta)

例如：

range_t = tf.
range(10
)#得到:[0 1 2 3 4 5 6 7 8 9]

tensorflow 允許建立具有不同分布的隨機張量：

1.建立乙個具有一定均值（預設值=0.0）和標準差（預設值=1.0）、形狀為 [m，n] 的正態分佈隨機數組

2.建立乙個具有一定均值（預設值=0.0）和標準差（預設值=1.0）、形狀為 [m，n] 的截尾正態分佈隨機數組：

3.要在種子的 [minval（default=0），maxval] 範圍內建立形狀為 [m，n] 的給定伽馬分布隨機數組，請執行如下語句：

4.要將給定的張量隨機裁剪為指定的大小，使用以下語句：

tf.random_crop(t_random,[2
,5],seed=12)
#t_random 是乙個已經定義好的張量。這將導致隨機從張量 t_random 中裁剪出乙個大小為 [2，5] 的張量

當需要以隨機的順序來呈現訓練樣本時可以使用 tf.random_shuffle() 來沿著它的第一維隨機排列張量：

tf.random_shuffle(t_random)
# t_random 是想要重新排序的張量

5.隨機生成的張量受初始種子值的影響。要在多次執行或會話中獲得相同的隨機數，應該將種子設定為乙個常數值。當使用大量的隨機張量時，可以使用 tf.set_random_seed() 來為所有隨機產生的張量設定種子。以下命令將所有會話的隨機張量的種子設定為 54：

tf.set_random_seed(54)

種子只能有整數值

變數通過使用變數類來建立。變數的定義還包括應該初始化的常量/隨機值。

例如

rand_t=tf.random_unifrom([50
,50],
0,0,seed=0)
t_a=tf.variable(rand_t)
t_b=tf.variable(rand_t)
#建立了兩個不同的張量變數 t_a 和 t_b。兩者將被初始化為形狀為 [50，50] 的隨機均勻分布，最小值=0，最大值=10
#tf.variable(initializer,name),引數initializer是初始化引數，name是可自定義的變數名稱

注意：變數通常在神經網路中表示權重和偏置

（y=ax+b，a就是權重,b就是偏置）

佔位符用於將資料提供給計算圖

1.定義佔位符：

tf.placeholder(dtype,shape=
none
,name=
none
)#dtype 定佔位符的資料型別，並且必須在宣告佔位符時指定

2.例如為 x 定義乙個佔位符並計算 y=2*x，使用 feed_dict 輸入乙個隨機的 4×5 矩陣：

需要注意

所有常量、變數和佔位符將在**的計算圖部分中定義。如果在定義部分使用 print 語句，只會得到有關張量型別的資訊，而不是它的值。

為了得到相關的值，需要建立會話圖並對需要提取的張量顯式使用執行命令

print
(sess.run(t1)
)

在需要大規模的常量張量物件的情況下，為了優化記憶體，最好將它們宣告為乙個可訓練標誌設定為 false 的變數：

t_large = tf.varible(large_array,trainable =
false
)

所有的 tensorflow 資料型別都是基於 numpy 的，使用tf.convert_to_tensor() 可以將給定的值轉換為張量型別，並將其與 tensorflow 函式和運算子一起使用。該函式接受 numpy 陣列、python 列表和 python 標量，並允許與張量物件互操作。

與 python/numpy 序列不同，tensorflow 序列不可迭代

例如：

for i in tf.
range(10
)#會報錯為：
#typeerror("'tensor'object id not iterable.")

Tensorflow 基本操作（三）

Tensorflow基本操作

Tensorflow初學基本操作

Tensorflow 基本操作（五）

Tensorflow 基本操作（三）

Tensorflow基本操作

Tensorflow初學基本操作

Tensorflow 基本操作（五）

相關推薦