tf.placeholder()、tf.Variable()、tf.get_variable()、tf.constant()

[参考link]

tf.placeholder() - 占位

功能:

在神经网络构建graph时,在模型中的占位声明,暂时储存变量。
如果把Tensorflow构建的graph看作一个函数的话,一个tf.placeholder()就定义一个graph入口变量,相当于一个函数的传参。如果想要从外部传入data到graph入口, 那就需要用到 tf.placeholder(), 然后以这种形式传输数据。

函数形式:
tf.placeholder(
    dtype,
    shape=None,
    name=None
)
参数:

dtype:数据类型。
常用的是tf.float32,tf.float64等数值类型

shape:数据形状。
一般用于样本数据batch输入时的数据shape定义。比如(样本特征60维):
-1- 在训练模型时在训练的时候可能是100条样本一起训练进行迭代参数,这是就是[100,60]
-2- 在预测概率时,如果一个一个预测,这时候 batch_size 就为[1,60]
由于模型graph又用于训练,又用于预测,一般行数不限制,就写成None。
也可以是多维,比如:
[2,3]表示是2行3列
[None, 3]表示行不定,列是3
[None, ]表示

name:占位名称。

tf.Variable() - 变量

功能:

用于生成一个有初始值的变量。必须指定初始化值。

函数形式:
tf.Variable(
    initial_value=None,
    trainable=True,
    collections=None,
    validate_shape=True,
    caching_device=None,
    name=None,
    variable_def=None,
    dtype=None,
    expected_shape=None,
    import_scope=None,
    constraint=None
)
参数:

initial_value
Tensor或可转换为Tensor的Python对象,它是Variable的初始值。
除非validate_shape设置为False,否则初始值必须具有指定的形状。
也可以是一个可调用的,没有参数,在调用时返回初始值。
在这种情况下,必须指定dtype。
(请注意,init_ops.py中的初始化函数必须首先绑定到形状才能在此处使用。)

trainable
如果为True,则会默认将变量添加到图形集合GraphKeys.TRAINABLE_VARIABLES中。
此集合用于优化器Optimizer类优化的的默认变量列表【可为optimizer指定其他的变量集合】,可就是要训练的变量列表。

collections
一个图graph集合列表的关键字。
新变量将添加到这个集合中。默认为[GraphKeys.GLOBAL_VARIABLES]。
也可自己指定其他的集合列表;

validate_shape
如果为False,则允许使用未知形状的值初始化变量。
如果为True,则默认为initial_value的形状必须已知。

caching_device
可选设备字符串,描述应该缓存变量以供读取的位置。
默认为Variable的设备。如果不是None,则在另一台设备上缓存。
典型用法是在使用变量驻留的Ops的设备上进行缓存,以通过Switch和其他条件语句进行重复数据删除。

name
变量的可选名称。默认为“Variable”并自动获取。

variable_def
VariableDef协议缓冲区。
如果不是None,则使用其内容重新创建Variable对象,引用图中必须已存在的变量节点。
图表未更改。 variable_def和其他参数是互斥的。

dtype
如果设置,则initial_value将转换为给定类型。如果为None,则保留数据类型(如果initial_value是Tensor),或者convert_to_tensor将决定。

expected_shape
TensorShape。如果设置,则initial_value应具有此形状。

import_scope
可选字符串。要添加到变量的名称范围。仅在从协议缓冲区初始化时使用。

constraint

tf.get_variable() - 共享变量

功能:

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),如果不存在,就新建一个。

函数形式:
tf.get_variable(
    name,
    shape=None,
    dtype=None,
    initializer=None,
    regularizer=None,
    trainable=True,
    collections=None,
    caching_device=None,
    partitioner=None,
    validate_shape=True,
    use_resource=None,
    custom_getter=None,
    constraint=None
)
参数:

name
新变量或现有变量的名称。

shape
新变量或现有变量的形状。

dtype
新变量或现有变量的类型(默认为DT_FLOAT)。

initializer
如果创建了则用它来初始化变量。

regularizer
A(Tensor - > Tensor或None)函数;将它应用于新创建的变量的结果将添加到集合tf.GraphKeys.REGULARIZATION_LOSSES中,并可用于正则化。

trainable
如果为True,还将变量添加到图形集合GraphKeys.TRAINABLE_VARIABLES(参见tf.Variable)。

collections
要将变量添加到的图表集合列表。默认为[GraphKeys.GLOBAL_VARIABLES](参见tf.Variable)。

caching_device
可选的设备字符串或函数,描述变量应被缓存以供读取的位置。默认为Variable的设备。如果不是None,则在另一台设备上缓存。典型用法是在使用变量驻留的Ops的设备上进行缓存,以通过Switch和其他条件语句进行重复数据删除。

partitioner
可选callable,接受完全定义的TensorShape和要创建的Variable的dtype,并返回每个轴的分区列表(当前只能对一个轴进行分区)。

validate_shape
如果为False,则允许使用未知形状的值初始化变量。如果为True,则默认为initial_value的形状必须已知。

use_resource
如果为False,则创建常规变量。如果为true,则使用定义良好的语义创建实验性ResourceVariable。默认为False(稍后将更改为True)。在Eager模式下,此参数始终强制为True。

custom_getter
Callable,它将第一个参数作为true getter,并允许覆盖内部get_variable方法。 custom_getter的签名应与此方法的签名相匹配,但最适合未来的版本将允许更改:def custom_getter(getter,* args,** kwargs)。也允许直接访问所有get_variable参数:def custom_getter(getter,name,* args,** kwargs)。一个简单的身份自定义getter只需创建具有修改名称的变量是:python def custom_getter(getter,name,* args,** kwargs):return getter(name +'_suffix',* args,** kwargs)

constraint

tf.constant() - 常量

功能:

模型graph中的一个常量。

函数形式:
tf.constant(
    value, 
    dtype=None, 
    shape=None,  
    name="Const",  
    verify_shape=False
)
参数:

value
dtype
shape
name
verify_shape

你可能感兴趣的:(tf.placeholder()、tf.Variable()、tf.get_variable()、tf.constant())