TFboy養成記 簡單小程序（Variable & placeholder）

　學習參考周莫煩的視頻。

Variable：主要是用於訓練變量之類的。好比咱們常常使用的網絡權重，偏置。

值得注意的是Variable在聲明是必須賦予初始值。在訓練過程當中該值極可能會進行不斷的加減操做變化。

placeholder:也是用於存儲數據，可是主要用於feed_dict的配合，接收輸入數據用於訓練模型等。placeholder值在訓練過程當中會不斷地被賦予新的值，用於批訓練，基本上其值是不會輕易進行加減操做。

placeholder在命名時是不會須要賦予值得，其被賦予值得時間實在feed_dict時。

 

Variable使用：

這是一個簡單的加法訓練。須要注意的是tensorflow 中不少操做均可以看作是一個節點。好比這裏的assign操做，須要專門作一個update操做節點。

import tensorflow as tf
import numpy as np

#Variable 在聲明是必需要給定一個 初始值的。同時也要規定他的shape，這裏是一個常數，因此就不準要在給定一個shape了。
one = tf.Variable(tf.constant(1))
get = tf.Variable(0)
state = tf.add(one,get)
update = tf.assign(get,state)

init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)
for i in range(10):
    sess.run(update)
    print(sess.run(get))

placeholder使用：

placeholder是做爲一個容器，在聲明時，並不須要給定一個初始值，與c++等語言不一樣，你能夠把它看作成在運行時他並不執行，只有在feed_dict出現訓練時，在給予值（我的見解，不必定對）。

不過placeholder 在命名時時須要指定類型的。如：

xs = tf.placeholder(tf.float32,[None,1],name = "x_input")

這裏的xs不只指定了類型，也定義的shape。若是不定義shape，只要是後續代碼中一致，那麼能夠是任意形式的。

 

這裏給出兩個版本的代碼，一個用了placeholder去擬合一個曲線，另外一個沒有使用

placeholder：

 1 # -*- coding: utf-8 -*-
 2 """
 3 Created on Tue Jun 13 15:41:23 2017
 4 
 5 @author: Jarvis
 6 """
 7 import tensorflow as tf
 8 import numpy as np
 9 
10 x_data = np.random.rand(100).astype(np.float32)
11 y_data = x_data*0.1+0.3
12 print (x_data.shape)
13 xs = tf.placeholder(tf.float32)
14 ys = tf.placeholder(tf.float32)
15 W = tf.Variable(1.0)
16 #W = tf.Variable(tf.random_uniform([1],-1.0,1))
17 b = tf.Variable(tf.zeros([1]))
18 y_pre = W*xs+b
19 
20 loss = tf.reduce_mean((tf.square(ys-y_pre)))
21 
22 train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
23 
24 init = tf.initialize_all_variables()
25 sess = tf.Session()
26 sess.run(init)
27 for i in range(1000):
28     sess.run(train_step,feed_dict={xs:x_data,ys:y_data})
29     if i%50 == 0:
30         print (sess.run(W),sess.run(b))

 

沒有用，直接使用原始數據：

import tensorflow as tf
import numpy as np

x_data = np.random.rand(100).astype(np.float)
y_data = x_data*0.3+0.1

W = tf.Variable(tf.zeros([1]))#這裏可能你們會有疑問，W的shape究竟是多少？這個Wshape和以前 那個版本的w.shape到底有什麼區別呢？詳見shape的內容。
b = tf.Variable(tf.zeros([1]))

y_pre = W*x_data+b
loss = tf.reduce_mean(tf.square(y_data-y_pre))
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(loss)
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)
for i in range(1000):
    sess.run(train_step)
    print(sess.run(W),sess.run(b))