[472]tf.Variable()函数

tf.Variable(initializer,name),参数initializer是初始化参数,name是可自定义的变量名称,用法如下:

import tensorflow as tf

v1=tf.Variable(tf.random_normal(shape=[4,3],mean=0,stddev=1),name='v1')
v2=tf.Variable(tf.constant(2),name='v2')
v3=tf.Variable(tf.ones([4,3]),name='v3')
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print(sess.run(v1))
    print(sess.run(v2))
    print(sess.run(v3))

结果如下:

[[-1.2115501   1.0484737   0.55210656]
 [-1.5301195   0.9060654  -2.6766613 ]
 [ 0.27101386 -0.32336152  0.44544214]
 [-0.0120788  -0.3409422  -0.48505628]]
2
[[1. 1. 1.]
 [1. 1. 1.]
 [1. 1. 1.]
 [1. 1. 1.]]

在TensorFlow的世界里,变量的定义和初始化是分开的,所有关于图变量的赋值和计算都要通过tf.Session的run来进行。想要将所有图变量进行集体初始化时应该使用tf.global_variables_initializer。

生成tensor:

tf.zeros(shape, dtype=tf.float32, name=None)
tf.zeros_like(tensor, dtype=None, name=None)
tf.constant(value, dtype=None, shape=None, name='Const')
tf.fill(dims, value, name=None)
tf.ones_like(tensor, dtype=None, name=None)
tf.ones(shape, dtype=tf.float32, name=None)

生成序列

tf.range(start, limit, delta=1, name='range')
tf.linspace(start, stop, num, name=None)

生成随机数

tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)
tf.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)
tf.random_uniform(shape, minval=0.0, maxval=1.0, dtype=tf.float32, seed=None, name=None)
tf.random_shuffle(value, seed=None, name=None)

例子

import tensorflow as tf
import numpy as np

# 生成0和1矩阵
v1 = tf.Variable(tf.zeros([3, 3, 3]), name="v1")
v2 = tf.Variable(tf.ones([10, 5]), name="v2")
# 填充单值矩阵
v3 = tf.Variable(tf.fill([2, 3], 9))
# 常量矩阵
v4_1 = tf.constant([1, 2, 3, 4, 5, 6, 7])
v4_2 = tf.constant(-1.0, shape=[2, 3])
# 生成等差数列
v6_1 = tf.linspace(10.0, 12.0, 30, name="linspace")  # float32 or float64
v7_1 = tf.range(10, 20, 3)  # just int32
# 生成各种随机数据矩阵
v8_1 = tf.Variable(tf.random_uniform([2, 4], minval=0.0, maxval=2.0, dtype=tf.float32, seed=1234, name="v8_1"))
v8_2 = tf.Variable(tf.random_normal([2, 3], mean=0.0, stddev=1.0, dtype=tf.float32, seed=1234, name="v8_2"))
v8_3 = tf.Variable(tf.truncated_normal([2, 3], mean=0.0, stddev=1.0, dtype=tf.float32, seed=1234, name="v8_3"))
v8_4 = tf.Variable(tf.random_uniform([2, 3], minval=0.0, maxval=1.0, dtype=tf.float32, seed=1234, name="v8_4"))
v8_5 = tf.random_shuffle([[1, 2, 3], [4, 5, 6], [6, 6, 6]], seed=134, name="v8_5")

# 初始化
init_op = tf.initialize_all_variables()
# 保存变量,也可以指定保存的内容
saver = tf.train.Saver()
# saver = tf.train.Saver({"my_v2": v2})

# 运行
with tf.Session() as sess:
    sess.run(init_op)
    # 输出形状和值
    print(tf.Variable.get_shape(v1))# shape
    print(sess.run(v1))# vaule
    # numpy保存文件
    np.save("v1.npy", sess.run(v1))  # numpy save v1 as file
    test_a = np.load("v1.npy")
    print(test_a[1, 2])
    # 一些输出
    print(sess.run(v3))
    v5 = tf.zeros_like(sess.run(v1))
    print(sess.run(v6_1))
    print(sess.run(v7_1))
    print(sess.run(v8_5))
    # 保存图的变量
    save_path = saver.save(sess, "/tmp/model.ckpt")
    # 加载图的变量
    # saver.restore(sess, "/tmp/model.ckpt")
    print("Model saved in file: ", save_path)

初始化

此处使用tf.initialize_all_variables() 用于初始化变量。但是这句话仍然不会立即执行。需要通过sess来将数据流动起来 。

例子

# Create two variables.
weights = tf.Variable(tf.random_normal([784, 200], stddev=0.35),
                      name="weights")
biases = tf.Variable(tf.zeros([200]), name="biases")
...
# Add an op to initialize the variables.
init_op = tf.initialize_all_variables()

# Later, when launching the model
with tf.Session() as sess:
  # Run the init operation.
  sess.run(init_op)
  ...
  # Use the model
  ...

实例讲解

例子

#-*-coding:UTF-8-*-
import tensorflow as tf

state = tf.Variable(0 , name='counter')
one = tf.constant(1)

new_value = tf.add(state,one)
update = tf.assign(state,new_value)

init = tf.initialize_all_variables()

with tf.Session() as sess:
    sess.run(init)
    for _ in range(3): 
        sess.run(update) 
        print(sess.run(state))

#-*-coding:UTF-8-*-这句话是指定*.py的编码方式,如果文件中涉及到中文汉字的话,有必要写一下这句话。当然也可以这样写:encoding:UTF-8

import tensorflow as tf这句话是导入tensorflow 模块

state = tf.Variable(0 , name='counter')使用tensorflow在默认的图中创建节点,这个节点是一个变量。

one = tf.constant(1)此处调用了td的一个函数,用于创建常量。

new_value = tf.add(state,one)对常量与变量进行简单的加法操作,这点需要说明的是: 在TensoorFlow中,所有的操作op,变量都视为节点,tf.add() 的意思就是在tf的默认图中添加一个op,这个op是用来做加法操作的。

update = tf.assign(state,new_value)这个操作是:赋值操作。将new_value的值赋值给update变量。

在这里,需要再次说明:我们此时只是定义好了图,并没有变量并没有初始化。目前只有state的值是1。

init = tf.initialize_all_variables()此处用于初始化变量。但是这句话仍然不会立即执行。需要通过sess来将数据流动起来 。
切记:所有的运算都应在在session中进行:

with tf.Session() as sess:此处自动开启一个session

sess.run(init)对变量进行初始化,执行(run)init语句

for _ in range(3): sess.run(update) print(sess.run(state))
循环3次,并且打印输出。

参考:https://www.jianshu.com/p/2b9e475391ab

你可能感兴趣的:(机器学习)