tensorflow學習筆記（二）常量、變量、佔位符、會話

常量、變量、佔位符、會話是tensorflow編程的基礎也是最經常使用到的東西，tensorflow中定義的變量、常量都是tensor（張量）類型。

常量tf.constant()

tensorflow中定義的變量、常量都是tensor（張量）類型經常使用是在運行過程當中不會改變的量，如做線性迴歸Y = w*X + b ，知道一系列(X, Y) ，經過梯度降低找w和b，X和Y的值在程序運行時就不會去改變，只不斷改變w和b去減少與真實值的偏差，因此常量經常使用來表示輸入輸出。

聲明一個標量常量：

t_1 = tf.constant(5)

聲明一個向量常量：

t_2 = tf.constant([2, 3, 5])

變量tf.Variable()

做線性迴歸時要不斷調整 w、b 作擬合，w和b就要聲明爲變量，因此變量經常使用來表示模型中的參數。

聲明一個M行N列，全爲零的變量：

b_1 = tf.Variable(tf.zeros([M, N], tf.float32))   # tf.zeros 建立全0張量，數字的類型是float32 ，而後用tf.Variable()將其變成變量

聲明一個呈正態分佈的 均值是2（默認=0.0）標準差是4（默認是1.0）的2行3列張量：

w_1 = tf.Variable(tf.random_nomarl([2, 3], mean=2.0, stddev=4, seed=2)

會話Session()

如同main()函數同樣，會話是tensorflow程序的入口，tf 程序通常是先定義節點和節點的關係（運算），而後在會話中根據定義的運算自動算出結果 。

import tensorflow as tf
a = tf.constant([1, 2])
b = tf.constant([2, 3])  # 定義常量a,b是1X2的張量
c = tf.add(a, b)    # 定義 c=a+b
d = tf.scalar_mul(tf.constant(2),c)  # 定義 d=2*c

with tf.Session() as sess:
    print(sess.run(d))   # 根據定義的運算（圖）計算 d 的值，並打印

第四行第五行定義c、d的運算，可是在那裏並無直接得出c和d的結果，在會話中sess.run(d) 計算d ，它會自動根據前面定義好的運算計算出d的結果，而不需顯示的先計算c  sess.run(c) 再計算d。若是在會話總只sess.run(c)，程序就不會計算d了。

佔位符tf.placeholder()

如名字同樣，佔位符就是先給變量佔一個位，能夠先不給變量賦具體值，先給變量一個位置，在會話運行時給變量傳入具體的值。即佔位符用於將數據提供給計算圖。

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

dtype是變量的數據類型，shape是變量的形狀（幾行幾列），name是變量的名稱。

import tensorflow as tf
import numpy as np
a = np.array([1, 2])
b = np.array([2, 3])   # 建立a，b兩個1x2的ndarry變量
X = tf.placeholder(tf.int32)
Y = tf.placeholder(tf.int32)  # 定義兩個佔位符，張量形狀能夠不寫，傳入值的時候會自動判斷

c = tf.add(X, Y)
d = tf.scalar_mul(tf.constant(2),c)

with tf.Session() as sess:
    re = sess.run(d, feed_dict={X:a, Y:b})   # 在圖計算時提供具體值
    print(re)

 會話在用feed_dict = { } 傳入值的時候傳入的不能是tf.constant()這種類型，必須是數組、np.ndarry等具體數值的類型。