营销型网站建设评价,个人网站的优点,深圳做手机的企业网站,企业邮箱电话人工服务24小时TensorFlow是一个采用数据流图#xff08;data flow graphs#xff09;#xff0c;用于数值计算的开源软件库。节点#xff08;Nodes#xff09;在图中表示数学操作#xff0c;图中的线#xff08;edges#xff09;则表示在节点间相互联系的多维数据数组#xff0c;即…TensorFlow是一个采用数据流图data flow graphs用于数值计算的开源软件库。节点Nodes在图中表示数学操作图中的线edges则表示在节点间相互联系的多维数据数组即张量tensor。它灵活的架构让你可以在多种平台上展开计算例如台式计算机中的一个或多个CPU或GPU服务器移动设备等等。TensorFlow 最初由Google大脑小组隶属于Google机器智能研究机构的研究员和工程师们开发出来用于机器学习和深度神经网络方面的研究但这个系统的通用性使其也可广泛用于其他计算领域。一、Tensorflow的特征
高度的灵活性
TensorFlow 不是一个严格的“神经网络”库。只要你可以将你的计算表示为一个数据流图你就可以使用Tensorflow。你来构建图描写驱动计算的内部循环。我们提供了有用的工具来帮助你组装“子图”常用于神经网络当然用户也可以自己在Tensorflow基础上写自己的“上层库”。定义顺手好用的新复合操作和写一个python函数一样容易而且也不用担心性能损耗。当然万一你发现找不到想要的底层数据操作你也可以自己写一点c代码来丰富底层的操作。
真正的可移植性Portability
Tensorflow 在CPU和GPU上运行比如说可以运行在台式机、服务器、手机移动设备等等。想要在没有特殊硬件的前提下在你的笔记本上跑一下机器学习的新想法Tensorflow可以办到这点。准备将你的训练模型在多个CPU上规模化运算又不想修改代码Tensorflow可以办到这点。想要将你的训练好的模型作为产品的一部分用到手机app里Tensorflow可以办到这点。你改变主意了想要将你的模型作为云端服务运行在自己的服务器上或者运行在Docker容器里Tensorfow也能办到
多语言支持
Tensorflow 有一个合理的c使用界面也有一个易用的python使用界面来构建和执行你的graphs。你可以直接写python/c程序也可以用交互式的ipython界面来用Tensorflow尝试些想法它可以帮你将笔记、代码、可视化等有条理地归置好。当然这仅仅是个起点——我们希望能鼓励你创造自己最喜欢的语言界面比如GoJavaLuaJavascript或者是R
性能最优化
比如说你又一个32个CPU内核、4个GPU显卡的工作站想要将你工作站的计算潜能全发挥出来由于Tensorflow 给予了线程、队列、异步操作等以最佳的支持Tensorflow 让你可以将你手边硬件的计算潜能全部发挥出来。你可以自由地将Tensorflow图中的计算元素分配到不同设备上Tensorflow可以帮你管理好这些不同副本。
二、下载以及安装
选择类型
必须选择以下类型的TensorFlow之一来安装
TensorFlow仅支持CPU支持。如果您的系统没有NVIDIA®GPU则必须安装此版本。请注意此版本的TensorFlow通常会更容易安装通常在5或10分钟内因此即使您有NVIDIA GPU我们建议先安装此版本。TensorFlow支持GPU。TensorFlow程序通常在GPU上比在CPU上运行得更快。因此如果您的系统具有满足以下所示先决条件的NVIDIA®GPU并且您需要运行性能关键型应用程序则应最终安装此版本。
Ubuntu和Linux
如果要安装GPU版本的需要安装一大堆NVIDIA软件(不推荐)
CUDA®Toolkit 8.0。有关详细信息请参阅 NVIDIA的文档。确保您将相关的Cuda路径名附加到 LD_LIBRARY_PATH环境变量中如NVIDIA文档中所述。与CUDA Toolkit 8.0相关的NVIDIA驱动程序。cuDNN v5.1。有关详细信息请参阅 NVIDIA的文档。确保CUDA_HOME按照NVIDIA文档中的描述创建环境变量。具有CUDA Compute Capability 3.0或更高版本的GPU卡。有关支持的GPU卡的列表请参阅 NVIDIA文档。libcupti-dev库即NVIDIA CUDA Profile Tools界面。此库提供高级分析支持。要安装此库请发出以下命令
使用pip安装,分别有2.7和3.6版本的
# 仅使用 CPU 的版本
$ pip install https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-1.0.1-cp27-none-linux_x86_64.whl$ pip3 install https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-1.0.1-cp36-cp36m-linux_x86_64.whlMac
macX下也可以安装2.7和3.4、3.5的CPU版本
# 2.7
$ pip install https://storage.googleapis.com/tensorflow/mac/cpu/tensorflow-1.0.1-py2-none-any.whl# 3.4、3.5
$ pip3 install https://storage.googleapis.com/tensorflow/mac/cpu/tensorflow-1.0.1-py3-none-any.whl三、初识tf使用 TensorFlow, 你必须明白 TensorFlowTensorflow有一下几个简单的步骤使用 tensor 表示数据.使用图 (graph) 来表示计算任务.在会话session)中运行图s关于新版本TensorFlow提供多种API。最低级API为您提供完整的编程控制。请注意tf.contrib.learn这样的高级API可以帮助您管理数据集估计器培训和推理。一些高级TensorFlow API方法名称包含的那些contrib仍在开发中。某些contrib方法可能会在随后的TensorFlow版本中发生变化或变得过时。这个模块类似于scikit-learn中算法模型。在 TF 中发生的所有事都是在会话Session 中进行的。所以当你在 TF 中编写一个加法时其实你只是设计了一个加法操作而不是实际添加任何东西。所有的这些设计都是会在图Graph中产生你会在图中保留这些计算操作和张量而不是具体的值。图TensorFlow程序通常被组织成一个构建阶段和一个执行阶段. 在构建阶段, op的执行步骤被描述成一个图. 在执行阶段, 使用会话执行执行图中的op。我们来构建一个简单的计算图。每个节点采用零个或多个张量作为输入并产生张量作为输出。一种类型的节点是一个常数。像所有TensorFlow常数一样它不需要任何输入它输出一个内部存储的值。我们可以创建两个浮点型常量node1 node2如下所示node1 tf.constant(3.0, tf.float32)
node2 tf.constant(4.0)
print(node1, node2)
最终的打印声明生成Tensor(Const:0, shape(), dtypefloat32) Tensor(Const_1:0, shape(), dtypefloat32)
他为什么不是输出结果那是因为tensorflow中的图形节点操作必须在会话中运行稍后介绍构建图构建图的第一步, 是创建源 op (source op). 源 op 不需要任何输入, 例如 常量 (Constant). 源 op 的输出被传递给其它 op 做运算.TensorFlow Python 库有一个默认图 (default graph), op 构造器可以为其增加节点. 这个默认图对 许多程序来说已经足够用了.后面我们会接触多个图的使用默认Graph值始终注册并可通过调用访问 tf.get_default_graph()import tensorflow as tf# 创建一个常量 op, 产生一个 1x2 矩阵. 这个 op 被作为一个节点,加到默认图中.构造器的返回值代表该常量 op 的返回值.
matrix1 tf.constant([[3., 3.]])# 创建另外一个常量 op, 产生一个 2x1 矩阵.
matrix2 tf.constant([[2.],[2.]])# 创建一个矩阵乘法 matmul op , 把 matrix1 和 matrix2 作为输入.返回值 product 代表矩阵乘法的结果.
product tf.matmul(matrix1, matrix2)print tf.get_default_graph(),matrix1.graph,matrix2.graph
重要注意事项此类对于图形构造不是线程安全的。所有操作都应从单个线程创建或者必须提供外部同步。除非另有说明所有方法都不是线程安全的在会话中启动图构造阶段完成后才能启动图。启动图的第一步是创建一个Session对象如果无任何创建参数会话构造器将启动默认图。调用Session的run()方法来执行矩阵乘法op, 传入product作为该方法的参数会话负责传递op所需的全部输入op通常是并发执行的。# 启动默认图.
sess tf.Session()# 函数调用 run(product) 触发了图中三个 op (两个常量 op 和一个矩阵乘法 op) 的执行.返回值 result 是一个 numpy ndarray 对象.
result sess.run(product)
print result# 任务完成, 关闭会话.
sess.close()
Session对象在使用完后需要关闭以释放资源当然也可以使用上下文管理器来完成自动关闭动作。op计算图中的每个节点可以有任意多个输入和任意多个输出每个节点描述了一种运算操作operation, op节点可以算作运算操作的实例化instance。一种运算操作代表了一种类型的抽象运算比如矩阵乘法、加法。tensorflow内建了很多种运算操作如下表所示类型示例标量运算Add、Sub、Mul、Div、Exp、Log、Greater、Less、Equal向量运算Concat、Slice、Splot、Constant、Rank、Shape、Shuffle矩阵运算Matmul、MatrixInverse、MatrixDeterminant带状态的运算Variable、Assign、AssignAdd神经网络组件SoftMax、Sigmoid、ReLU、Convolution2D、MaxPooling存储、恢复Save、Restore队列及同步运算Enqueue、Dequeue、MutexAcquire、MutexRelease控制流Merge、Switch、Enter、Leave、NextIterationfeedTensorFlow还提供了feed机制, 该机制可以临时替代图中的任意操作中的tensor可以对图中任何操作提交补丁,直接插入一个 tensor。feed 使用一个 tensor 值临时替换一个操作的输入参数从而替换原来的输出结果.feed 只在调用它的方法内有效, 方法结束,feed就会消失。最常见的用例是将某些特殊的操作指定为feed操作, 标记的方法是使用 tf.placeholder() 为这些操作创建占位符.并且在Session.run方法中增加一个feed_dict参数# 创建两个个浮点数占位符op
input1 tf.placeholder(tf.types.float32)
input2 tf.placeholder(tf.types.float32)#增加一个乘法op
output tf.mul(input1, input2)with tf.Session() as sess:# 替换input1和input2的值print sess.run([output], feed_dict{input1:[7.], input2:[2.]})
如果没有正确提供feed, placeholder() 操作将会产生错误 四、张量的阶和数据类型
TensorFlow用张量这种数据结构来表示所有的数据.你可以把一个张量想象成一个n维的数组或列表.一个张量有一个静态类型和动态类型的维数.张量可以在图中的节点之间流通.其实张量更代表的就是一种多位数组。
阶
在TensorFlow系统中张量的维数来被描述为阶.但是张量的阶和矩阵的阶并不是同一个概念.张量的阶有时是关于如顺序或度数或者是n维是张量维数的一个数量描述.比如下面的张量使用Python中list定义的就是2阶.
t [[1, 2, 3], [4, 5, 6], [7, 8, 9]]你可以认为一个二阶张量就是我们平常所说的矩阵一阶张量可以认为是一个向量.
阶数学实例Python例子0纯量(只有大小)s 4831向量(大小和方向)v [1.1, 2.2, 3.3]2矩阵(数据表)m [[1, 2, 3], [4, 5, 6], [7, 8, 9]]33阶张量(数据立体)t [[[2], [4], [6]], [[8], [10], [12]], [[14], [16], [18]]]nn阶(自己想想看)....
数据类型
Tensors有一个数据类型属性.你可以为一个张量指定下列数据类型中的任意一个类型:
数据类型Python 类型描述DT_FLOATtf.float3232 位浮点数.DT_DOUBLEtf.float6464 位浮点数.DT_INT64tf.int6464 位有符号整型.DT_INT32tf.int3232 位有符号整型.DT_INT16tf.int1616 位有符号整型.DT_INT8tf.int88 位有符号整型.DT_UINT8tf.uint88 位无符号整型.DT_STRINGtf.string可变长度的字节数组.每一个张量元素都是一个字节数组.DT_BOOLtf.bool布尔型.DT_COMPLEX64tf.complex64由两个32位浮点数组成的复数:实数和虚数.DT_QINT32tf.qint32用于量化Ops的32位有符号整型.DT_QINT8tf.qint8用于量化Ops的8位有符号整型.DT_QUINT8tf.quint8用于量化Ops的8位无符号整型.五、张量操作在tensorflow中有很多操作张量的函数有生成张量、创建随机张量、张量类型与形状变换和张量的切片与运算生成张量固定值张量tf.zeros(shape, dtypetf.float32, nameNone)创建所有元素设置为零的张量。此操作返回一个dtype具有形状shape和所有元素设置为零的类型的张量。tf.zeros_like(tensor, dtypeNone, nameNone)给tensor定单张量此操作返回tensor与所有元素设置为零相同的类型和形状的张量。tf.ones(shape, dtypetf.float32, nameNone)创建一个所有元素设置为1的张量。此操作返回一个类型的张量dtype形状shape和所有元素设置为1。tf.ones_like(tensor, dtypeNone, nameNone)给tensor定单张量此操作返回tensor与所有元素设置为1 相同的类型和形状的张量。tf.fill(dims, value, nameNone)创建一个填充了标量值的张量。此操作创建一个张量的形状dims并填充它value。tf.constant(value, dtypeNone, shapeNone, nameConst)创建一个常数张量。用常数张量作为例子t1 tf.constant([1, 2, 3, 4, 5, 6, 7])t2 tf.constant(-1.0, shape[2, 3])print(t1,t2)
我们可以看到在没有运行的时候输出值为(tf.Tensor Const:0 shape(7,) dtypeint32, tf.Tensor Const_1:0 shape(2, 3) dtypefloat32)
一个张量包含了一下几个信息一个名字它用于键值对的存储用于后续的检索Const: 0一个形状描述 描述数据的每一维度的元素个数23数据类型比如int32,float32创建随机张量一般我们经常使用的随机数函数 Math.random() 产生的是服从均匀分布的随机数能够模拟等概率出现的情况例如 扔一个骰子1到6点的概率应该相等但现实生活中更多的随机现象是符合正态分布的例如20岁成年人的体重分布等。假如我们在制作一个游戏要随机设定许许多多 NPC 的身高如果还用Math.random()生成从140 到 220 之间的数字就会发现每个身高段的人数是一样多的这是比较无趣的这样的世界也与我们习惯不同现实应该是特别高和特别矮的都很少处于中间的人数最多这就要求随机函数符合正态分布。tf.truncated_normal(shape, mean0.0, stddev1.0, dtypetf.float32, seedNone, nameNone)从截断的正态分布中输出随机值和 tf.random_normal() 一样但是所有数字都不超过两个标准差tf.random_normal(shape, mean0.0, stddev1.0, dtypetf.float32, seedNone, nameNone)从正态分布中输出随机值由随机正态分布的数字组成的矩阵
# 正态分布的 4X4X4 三维矩阵平均值 0 标准差 1
normal tf.truncated_normal([4, 4, 4], mean0.0, stddev1.0)a tf.Variable(tf.random_normal([2,2],seed1))
b tf.Variable(tf.truncated_normal([2,2],seed2))
init tf.global_variables_initializer()
with tf.Session() as sess:sess.run(init)print(sess.run(a))print(sess.run(b))输出
[[-0.81131822 1.48459876][ 0.06532937 -2.44270396]]
[[-0.85811085 -0.19662298][ 0.13895047 -1.22127688]]
tf.random_uniform(shape, minval0.0, maxval1.0, dtypetf.float32, seedNone, nameNone)从均匀分布输出随机值。生成的值遵循该范围内的均匀分布 [minval, maxval)。下限minval包含在范围内而maxval排除上限。a tf.random_uniform([2,3],1,10)with tf.Session() as sess:print(sess.run(a))
tf.random_shuffle(value, seedNone, nameNone)沿其第一维度随机打乱tf.set_random_seed(seed)设置图级随机种子要跨会话生成不同的序列既不设置图级别也不设置op级别的种子a tf.random_uniform([1])
b tf.random_normal([1])print Session 1
with tf.Session() as sess1:print sess1.run(a) print sess1.run(a) print sess1.run(b)print sess1.run(b) print Session 2
with tf.Session() as sess2:print sess2.run(a)print sess2.run(a)print sess2.run(b)print sess2.run(b)
要为跨会话生成一个可操作的序列请为op设置种子a tf.random_uniform([1], seed1)
b tf.random_normal([1])print Session 1
with tf.Session() as sess1:print sess1.run(a)print sess1.run(a)print sess1.run(b)print sess1.run(b)print Session 2
with tf.Session() as sess2:print sess2.run(a)print sess2.run(a) print sess2.run(b)print sess2.run(b)
为了使所有op产生的随机序列在会话之间是可重复的,设置一个图级别的种子tf.set_random_seed(1234)
a tf.random_uniform([1])
b tf.random_normal([1])print Session 1
with tf.Session() as sess1:print sess1.run(a)print sess1.run(a)print sess1.run(b)print sess1.run(b)print Session 2
with tf.Session() as sess2:print sess2.run(a)print sess2.run(a)print sess2.run(b)print sess2.run(b)
我们可以看到结果张量变换TensorFlow提供了几种操作您可以使用它们在图形中改变张量数据类型。改变类型提供了如下一些改变张量中数值类型的函数tf.string_to_number(string_tensor, out_typeNone, nameNone)tf.to_double(x, nameToDouble)tf.to_float(x, nameToFloat)tf.to_bfloat16(x, nameToBFloat16)tf.to_int32(x, nameToInt32)tf.to_int64(x, nameToInt64)tf.cast(x, dtype, nameNone)我们用一个其中一个举例子tf.string_to_number(string_tensor, out_typeNone, nameNone)将输入Tensor中的每个字符串转换为指定的数字类型。注意int32溢出导致错误而浮点溢出导致舍入值n1 tf.constant([1234,6789])
n2 tf.string_to_number(n1,out_typetf.types.float32)sess tf.Session()result sess.run(n2)
print resultsess.close()
形状和变换可用于确定张量的形状并更改张量的形状tf.shape(input, nameNone)tf.size(input, nameNone)tf.rank(input, nameNone)tf.reshape(tensor, shape, nameNone)tf.squeeze(input, squeeze_dimsNone, nameNone)tf.expand_dims(input, dim, nameNone)tf.shape(input, nameNone)返回张量的形状。t tf.constant([[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]]])
shape(t) - [2, 2, 3]
静态形状与动态形状静态维度 是指当你在创建一个张量或者由操作推导出一个张量时这个张量的维度是确定的。它是一个元祖或者列表。TensorFlow将尽最大努力去猜测不同张量的形状在不同操作之间但是它不会总是能够做到这一点。特别是如果您开始用未知维度定义的占位符执行操作。tf.Tensor.get_shape方法读取静态形状t tf.placeholder(tf.float32,[None,2])
print(t.get_shape())
结果动态形状 当你在运行你的图时动态形状才是真正用到的。这种形状是一种描述原始张量在执行过程中的一种张量。如果你定义了一个没有标明具体维度的占位符即用None表示维度那么当你将值输入到占位符时这些无维度就是一个具体的值并且任何一个依赖这个占位符的变量都将使用这个值。tf.shape来描述动态形状t tf.placeholder(tf.float32,[None,2])
print(tf.shape(t))
tf.squeeze(input, squeeze_dimsNone, nameNone)这个函数的作用是将input中维度是1的那一维去掉。但是如果你不想把维度是1的全部去掉那么你可以使用squeeze_dims参数来指定需要去掉的位置。import tensorflow as tfsess tf.Session()
data tf.constant([[1, 2, 1], [3, 1, 1]])
print sess.run(tf.shape(data))
d_1 tf.expand_dims(data, 0)
d_1 tf.expand_dims(d_1, 2)
d_1 tf.expand_dims(d_1, -1)
d_1 tf.expand_dims(d_1, -1)
print sess.run(tf.shape(d_1))
d_2 d_1
print sess.run(tf.shape(tf.squeeze(d_1)))
print sess.run(tf.shape(tf.squeeze(d_2, [2, 4])))
tf.expand_dims(input, dim, nameNone)该函数作用与squeeze相反,添加一个指定维度import tensorflow as tf
import numpy as npsess tf.Session()
data tf.constant([[1, 2, 1], [3, 1, 1]])
print sess.run(tf.shape(data))
d_1 tf.expand_dims(data, 0)
print sess.run(tf.shape(d_1))
d_1 tf.expand_dims(d_1, 2)
print sess.run(tf.shape(d_1))
d_1 tf.expand_dims(d_1, -1)
print sess.run(tf.shape(d_1))
切片与扩展TensorFlow提供了几个操作来切片或提取张量的部分或者将多个张量加在一起tf.slice(input_, begin, size, nameNone)tf.split(split_dim, num_split, value, namesplit)tf.tile(input, multiples, nameNone)tf.pad(input, paddings, nameNone)tf.concat(concat_dim, values, nameconcat)tf.pack(values, namepack)tf.unpack(value, numNone, nameunpack)tf.reverse_sequence(input, seq_lengths, seq_dim, nameNone)tf.reverse(tensor, dims, nameNone)tf.transpose(a, permNone, nametranspose)tf.gather(params, indices, nameNone)tf.dynamic_partition(data, partitions, num_partitions, nameNone)tf.dynamic_stitch(indices, data, nameNone)其它一些张量运算了解查阅张量复制与组合tf.identity(input, nameNone)tf.tuple(tensors, nameNone, control_inputsNone)tf.group(inputs, *kwargs)tf.no_op(nameNone)tf.count_up_to(ref, limit, nameNone)逻辑运算符tf.logical_and(x, y, nameNone)tf.logical_not(x, nameNone)tf.logical_or(x, y, nameNone)tf.logical_xor(x, y, nameLogicalXor)比较运算符tf.equal(x, y, nameNone)tf.not_equal(x, y, nameNone)tf.less(x, y, nameNone)tf.less_equal(x, y, nameNone)tf.greater(x, y, nameNone)tf.greater_equal(x, y, nameNone)tf.select(condition, t, e, nameNone)tf.where(input, nameNone)判断检查tf.is_finite(x, nameNone)tf.is_inf(x, nameNone)tf.is_nan(x, nameNone)tf.verify_tensor_all_finite(t, msg, nameNone) 断言张量不包含任何NaN或Inftf.check_numerics(tensor, message, nameNone)tf.add_check_numerics_ops()tf.Assert(condition, data, summarizeNone, nameNone)tf.Print(input_, data, messageNone, first_nNone, summarizeNone, nameNone)六、变量的的创建、初始化、保存和加载其实变量的作用在语言中相当都有存储一些临时值的作用或者长久存储。在Tensorflow中当训练模型时用变量来存储和更新参数。变量包含张量Tensor存放于内存的缓存区。建模时它们需要被明确地初始化模型训练后它们必须被存储到磁盘。值可在之后模型训练和分析是被加载。Variable类tf.Variable.init(initial_value, trainableTrue, collectionsNone, validate_shapeTrue, nameNone)创建一个带值的新变量initial_valueinitial_value:A Tensor或Python对象可转换为a Tensor.变量的初始值.必须具有指定的形状,除非 validate_shape设置为False.trainable:如果True默认值也将该变量添加到图形集合GraphKeys.TRAINABLE_VARIABLES,该集合用作Optimizer类要使用的变量的默认列表collections:图表集合键列表,新变量添加到这些集合中.默认为[GraphKeys.VARIABLES]validate_shape:如果False允许使用未知形状的值初始化变量,如果True默认形状initial_value必须提供.name:变量的可选名称,默认Variable并自动获取变量的创建创建当一个变量时将你一个张量作为初始值传入构造函数Variable().TensorFlow提供了一系列操作符来初始化张量值初始的英文常量或是随机值。像任何一样Tensor创建的变量Variable()可以用作图中其他操作的输入。此外为Tensor该类重载的所有运算符都被转载到变量中因此您也可以通过对变量进行算术来将节点添加到图形中。x tf.Variable(5.0,namex)
weights tf.Variable(tf.random_normal([784, 200], stddev0.35),nameweights)
biases tf.Variable(tf.zeros([200]), namebiases)
调用tf.Variable()向图中添加了几个操作一个variable op保存变量值。初始化器op将变量设置为其初始值。这实际上是一个tf.assign操作。初始值的ops例如 示例中biases变量的zeros op 也被添加到图中。变量的初始化变量的初始化必须在模型的其它操作运行之前先明确地完成。最简单的方法就是添加一个给所有变量初始化的操作并在使用模型之前首先运行那个操作。最常见的初始化模式是使用便利函数 initialize_all_variables()将Op添加到初始化所有变量的图形中。init_op tf.global_variables_initializer()with tf.Session() as sess:sess.run(init_op)
还可以通过运行其初始化函数op来初始化变量从保存文件还原变量或者简单地运行assign向变量分配值的Op。实际上变量初始化器op只是一个assignOp它将变量的初始值赋给变量本身。assign是一个方法后面方法的时候会提到with tf.Session() as sess:sess.run(w.initializer)
通过另一个变量赋值你有时候会需要用另一个变量的初始化值给当前变量初始化由于tf.global_variables_initializer()初始化所有变量所以需要注意这个方法的使用。就是将已初始化的变量的值赋值给另一个新变量weights tf.Variable(tf.random_normal([784, 200], stddev0.35),nameweights)w2 tf.Variable(weights.initialized_value(), namew2)w_twice tf.Variable(weights.initialized_value() * 0.2, namew_twice)
所有变量都会自动收集到创建它们的图形中。默认情况下构造函数将新变量添加到图形集合GraphKeys.GLOBAL_VARIABLES。方便函数 global_variables()返回该集合的内容。属性name返回变量的名字weights tf.Variable(tf.random_normal([784, 200], stddev0.35),nameweights)
print(weights.name)
op返回op操作weights tf.Variable(tf.random_normal([784, 200], stddev0.35))
print(weights.op)
方法assign为变量分配一个新值。x tf.Variable(5.0,namex)
w.assign(w 1.0)
eval在会话中计算并返回此变量的值。这不是一个图形构造方法它不会向图形添加操作。方便打印结果v tf.Variable([1, 2])
init tf.global_variables_initializer()with tf.Session() as sess:sess.run(init)# 指定会话print(v.eval(sess))# 使用默认会话print(v.eval())
变量的静态形状与动态形状TensorFlow中张量具有静态推测形状和动态真实形状静态形状创建一个张量或者由操作推导出一个张量时,初始状态的形状tf.Tensor.get_shape:获取静态形状tf.Tensor.set_shape():更新Tensor对象的静态形状通常用于在不能直接推断的情况下动态形状一种描述原始张量在执行过程中的一种形状tf.shape(tf.Tensor):如果在运行的时候想知道None到底是多少,只能通过tf.shape(tensor)[0]这种方式来获得tf.reshape:创建一个具有不同动态形状的新张量要点1、转换静态形状的时候1-D到1-D2-D到2-D不能跨阶数改变形状2、 对于已经固定或者设置静态形状的张量变量不能再次设置静态形状3、tf.reshape()动态创建新张量时元素个数不能不匹配4、运行时候动态获取张量的形状值只能通过tf.shape(tensor)[]管理图中收集的变量tf.global_variables()返回图中收集的所有变量weights tf.Variable(tf.random_normal([784, 200], stddev0.35))print(tf.global_variables())
