(二)TensorFlow常量、变量、占位符及op详解

TensorFLow提供了一个库来定义和执行对张量的各种数学运算。张量可理解为一个n维矩阵，所有类型的数据，包括标量、矢量、和矩阵等都是特殊类型的张量。

一、TensorFlow常量

常量是值不能改变的张量。

1. 声明标量、向量、矩阵的常量

   1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

   #1.声明一个标量常量： t_1 = tf.constant(4) #2.声明一个向量常量： t_2 = tf.constant([4,3,2]) #3.声明一个2*3的零矩阵常量、全1矩阵常量（第二个参数表示类型）： zero_t = tf.zeros([2,3],tf.int32) ones_t = tf.ones([2,3],tf.int32) #4.创建一个与现有Numpy数组或张量常量具有相同形状的张量常量 t_3 = tf.zeros_like(t_2) t_4 = tf.ones_like(t_2) #5.声明一个在一定范围内等差排列的序列 t_5 = tf.linspace(start,stop,num) t_6 = tf.range(start,limit,delta)

   

2. 创建随机张量
   TensorFlow允许创建具有不同分布的随机张量：

   1 2 3 4 5 6 7 8

   #1.创建标准正态随机分布(mean表示均值，stddev表示标准差) t_random = tf.random_normal([2,3],mean=2.0,stddev=4,seed=None) #2.创建正态随机分布 t_random = tf.truncated_normal([2,3],mean=2.0,stddev=2,seed=None) #3.创建均匀随机分布 t_random = tf.random_uniform([2,3],minval=0..0,maxval=1.0,seed=None)

   
   如果t_random是要将给定的[3,6]张量随机剪裁为[2,5]大小：

   1	tf.random_crop(t_random, [2,5], seed=None)

二、TensorFlow变量

Variable变量通常在神经网络中表示权重和偏置。

• Variable是TensorFlow下可以修改的张量，需要定义一个初始值，初始值可以是数值、列表、numpy矩阵，也可以直接是张量。

  1 2 3 4 5 6 7 8 9

  #1.使用常量定义 var_a = tf.Variable(3, dtype=tf.int32) var_b = tf.Variable([1,2], dtype=tf.float32) var_c = tf.Variable(tf.zeros([1024,10])) #2.使用另一个张量定义 rand_t = tf.random_uniform([50,50], mean=0, stddev=10, seed=0) t_a = tf.Variable(rand_t) t_b = tf.Variable(rand_t)

• 在使用Variable时，必须初始化变量，也就是调用它们的初始化方法。调用初始化的方法可以全局调用，也可以初始化某些变量：
  

• Variable变量可以通过assign赋值，赋值的过程是一个op，也是需要执行才会产生效果：
  

  1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

  import tensorflow as tf var_a = tf.Variable(3, dtype=tf.int32) #变量重新赋值 assign_op = var_a.assign(5) #变量初始化 init = tf.global_variables_initializer() #开启一个会话 with tf.Session() as sess: #执行变量初始化op sess.run(init) #执行赋值op sess.run(assign_op) #输出赋值后新的结果 print(sess.run(var_a))

三、TensorFlow占位符

TensorFlow允许通过tf.placeholder(dtype,shape=None,name=None)在构建图的时候占据一个位置，然后等到执行图的时候再带入具体的值。
占据一个位置：

执行图时赋值：

1
2
3
4
5
6
7
8
9

import tensorflow as tf

x = tf.placeholder(dtype=tf.float32)
y = 2 * x
data = tf.random_uniform(shape=[4,5], minval=0.0, maxval=10)

#开启一个会话 with tf.Session() as sess:
    x_data = sess.run(data)
    print(sess.run(y, feed_dict={x: x_data}))

（需要注意的是，所有常量、变量和占位符将在代码的构建图部分中定义。如果在定义部分使用 print 语句，只会得到有关张量类型的信息，而不是它的值。为了得到相关的值，需要创建会话图并对需要提取的张量显式使用运行命令）

四、op

TensorFlow的基本操作定义为op，以下是常见的op:

矩阵的reshape在数据处理方面经常用到：