Tensorflow入门-Session、Variable、placeholder

Tensorflow 是谷歌2015年11月正式开源的计算框架。主要依赖Protocol Buffer和Bzael两个工具包：

• Protocl Buffer是谷歌开发的结构化数据处理工具
• Bzael 是谷歌的自动化构建工具，谷歌内部大部分应用均通过它来编译

Tensorflow 是谷歌2015年11月正式开源的计算框架。主要依赖Protocol Buffer和Bzael两个工具包：

• Protocl Buffer是谷歌开发的结构化数据处理工具
• Bzael 是谷歌的自动化构建工具，谷歌内部大部分应用均通过它来编译

Tensorflow的名字已经说明其最重要的两个概念：

• Tensor就是张量，即多维数组，所有数据都通过张量的形式表示。一个张量主要保存三个属性：名字（name），维度（shape）和类型。
• Flow就是流，体现了计算模型，Tensorflow中每个计算都是计算图上的一个节点，节点之间的边描述了计算间的依赖关系

Tensorflow支持14种不同类型，主要包括：

• 实数（tf.float32, tf.float64）
• 整数（tf.int8, tf.int16, tf.int32, tf.int64, tf.unit8）
• 布尔型（tf.bool）
• 复数（tf.complex64, tf.complex128）

1. 会话

Tensorflow使用会话（Session）执行定义好的运算，会话拥有并管理Tensorflow程序运行时的所有资源，计算完成后需要关闭会话回收资源。
为解决异常退出时的资源释放问题，Tensorflow通过Python上下文管理器来使用会话（将所有计算放在with内部），当上下文管理器退出时自动释放所有资源。

x = tf.constant([[1.0,2.0]])   #x(1,2)
w = tf.constant([[3.0],[4.0]]) #w(2,1)
y = tf.matmul(x,w)             #y(1,1)
with tf.Session() as sess:
    print(sess.run(y))

2. 变量

Tensorflow支持14种不同类型，主要包括：

• 实数（tf.float32, tf.float64）
• 整数（tf.int8, tf.int16, tf.int32, tf.int64, tf.unit8）
• 布尔型（tf.bool）
• 复数（tf.complex64, tf.complex128）

tf.Variable(<initial-value>, name=<optional-name>) 用于生成一个初始值为initial-value(必须指定)的变量
tf.get_variable(name, shape=None, dtype=tf.float32, initializer=None) 获取已存在的变量（要求不仅名字，而且初始化方法等各个参数都一样），若不存在，就新建一个（可以用各种初始化方法，如xavier_initializer不用明确指定值）。

常用的生成随机数/数组的函数有：

• tf.random_normal()：生成正态分布随机数
• tf.truncated_normal()：生成去掉过大偏离点的正态分布随机数
• tf.random_uniform()：生成均匀分布随机数
• tf.zeros：表示生成全0数组
• tf.ones ：表示生成全1数组
• tf.fill ：表示生成全定值数组
• tf.constant：表示生成直接给定值的数组

例：

• tf.Variable(tf.random_normal([2,3],stddev=2, mean=0, seed=1))，表示生成正态分布随机数，形状两行三列，标准差是2，均值是0，随机种子是1
• tf.Variable(tf.Truncated_normal([2,3],stddev=2, mean=0, seed=1))，表示去掉偏离过大的正态分布， 也就是如果随机出来的数据偏离平均值超过两个标准差，这个数据将重新生成
• random_uniform(shape=7,minval=0,maxval=1,dtype=tf.int32， seed=1)，表示从一个均匀分布[minval maxval)中随机采样，注意定义域是左闭右开，即
  包含minval，不包含 maxval
• tf.zeros([3,2],int32)表示生成[[0,0],[0,0],[0,0]]
• tf.ones([3,2],int32)表示生成[[1,1],[1,1],[1,1]
• tf.fill([3,2],6)表示生成[[6,6],[6,6],[6,6]]
• tf.constant([3,2,1])表示生成[3,2,1]。

3. placeholder

Tensorflow通过placeholder占位符机制用于提供输入数据，相当于定义一个位置，这个位置中的数据在程序运行时再指定。在定义时需要指定数据类型（不可改变）。这样在程序中就不需要生成大量常量来提供输入数据，而只需要将数据通过placeholder传入Tensorflow计算图。

#使用占位符 一次输入一组数据
x = tf.placeholder(tf.float32,shape=(1,2))
w1 = tf.Variable(tf.random_normal([2,3],stddev=1,seed=1))
w2 = tf.Variable(tf.random_normal([3,1],stddev=1,seed=1))
a = tf.matmul(x,w1)
y = tf.matmul(a,w2)
init_op = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init_op)
    print(sess.run(y,feed_dict={x:[[0.7,0.5]]}))

#使用占位符 一次输入多组数据
x = tf.placeholder(tf.float32,shape=(None,2))
w1 = tf.Variable(tf.random_normal([2,3],stddev=1,seed=1))
w2 = tf.Variable(tf.random_normal([3,1],stddev=1,seed=1))
a = tf.matmul(x,w1)
y = tf.matmul(a,w2)
init_op = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init_op)
    print(sess.run(y,feed_dict={x:[[0.7,0.5],[0.2,0.3],[0.3,0.4],[0.4,0.5]]}))
    print(sess.run(w1))
    print(sess.run(w2)) 

转载：https://blog.csdn.net/apr15/article/details/106244082