tensorflow 學習筆記之變數的一些操作

部分內容參考了其他資源，謝謝。

使用tf.variable()時，如果系統檢測到重名，會做自動處理，不會報錯。

w_1 = tf.variable(3,name="w")

w_2 = tf.variable(1,name="w")

print(w_1.name)

print(w_2.name)

執行結果：

使用tf.get-variable()時，會報錯。

若需要給tensorflow的變數賦值，可以使用 tf.assign()

tf.assign(ref, value, validate_shape=none, use_locking=none, name=none)

將值賦值給ref後再返回ref

import tensorflow as tf;
a = tf.variable(tf.constant(0.0), dtype=tf.float32)
with tf.session() as sess:
sess.run(tf.global_variables_initializer())
print(sess.run(a))
sess.run(tf.assign(a, 10))
print(sess.run(a))

執行結果如下：

執行session會話後，a的值一開始為0.0，隨後執行assign操作，變成10。

上面的**中sess.run(bias) 與 bias.eval() 是一樣的。

如果直接用 print(weights) ,則列印的結果是 weight 的 shape ，

只是乙個佔位符，佔位符並沒有初始值，只是在必要時分配記憶體，

在tensorflow中，資料並不會儲存為 integer, float, 或 string. 這些值都封裝在 tensor 物件中，因此不能直接定義並使用乙個變數例如x，因為你設計的模型可能需要受不同的資料集與不同的引數。所以tf使用placeholder()來傳遞乙個tensor到session.run()中，並與feed_dict{}結合一起使用。

feed_dict{}是乙個字典，在字典中需要給每乙個用到的佔位符取值。在訓練神經網路時，需要大批量的訓練樣，如果每一次迭代選取的資料都需要常量表示，那麼tensorflow的計算圖會非常大。因為每計算乙個常量，tensorflow會增加乙個結點，所以說，擁有幾百萬次迭代的神經網路會擁有龐大的計算圖，如果使用佔位符的話，就可以很好的解決這一點，它只會擁有佔位符這乙個結點。

#因為需要重複輸入x，而每建乙個x就會生成乙個結點，計算圖的效率會低。所以使用佔位符

x=tf.placeholder(tf.float32,shape=(1,2))

x1=tf.constant([[0.7,0.9]])

a=x+w1

b=x1+w1

sess=tf.session()

sess.run(tf.global_variables_initializer())

#執行y時將佔位符填上，feed_dict為字典，變數名不可變

tensorflow 學習筆記之變數的一些操作

tensorflow學習筆記

Tensorflow學習筆記

TensorFlow學習筆記

tensorflow 學習筆記之 變數的一些操作

tensorflow學習筆記

Tensorflow學習筆記

TensorFlow學習筆記

相關推薦

tensorflow 學習筆記之變數的一些操作