关闭tf的版本警告
import osos.environ['TF_CPP_MIN_LOG_LEVEL']='2'
占位符 tf.placeholder(dtype, shape=None, name=None)
import tensorflow as tf
a = tf.placeholder(tf.float32)
b = tf.placeholder(tf.float32)
c = tf.add(a, b)
with tf.Session() as sess:
print(sess.run(c, feed_dict={a: 1.1, b: 2.2}))
调用占位符相关的op时，要指定 feed_dict 参数
定义张量并获取属性 tf.constant(value, dtype=None, shape=None, name="Const", verify_shape=False)
a = tf.constant(3.0)
b = tf.constant(4.0)
c = a + b
with tf.Session() as sess:
print('c.graph: ', c.graph) # 张量所属的默认图
print('c.name: ', c.name) # 张量的字符串描述
print('c.shape: ', c.shape) # 张量形状
print('c.op: ', c.op) # 张量的操作名
print('c.eval: ', c.eval())
print('sess.run(c): ', sess.run(c))
张量的动态形状与静态形状
TensorFlow中，张量具有静态形状和动态形状
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。不产生新的张量。只能从1D->1D, 2D->2D ......
example: [None, 30, 4] ----> [20, 30, 4]动态形状：
一种描述原始张量在执行过程中的一种形状
tf.reshape: 创建一个具有不同动态形状的新张量。产生新的张量。可以跨维度转换。但是总数量必须一致。
example: [20, 5] ----> [4, 5, 5]注意：
转换静态形状的时候，1-D到1-D，2-D到2-D，不能跨阶数改变形状
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
tf.reshape()动态创建新张量时，元素个数不能不匹配
批量生成张量 tf.zeros() tf.ones() tf.random_normal ()
# tf.zeros(shape, dtype=dtypes.float32, name=None)
a = tf.zeros([4, 10]) # 四行十列
# tf.ones(shape, dtype=dtypes.float32, name=None)
b = tf.ones([4, 10]) # 四行十列
# 随机正态分布数据 random_normal(shape, mean=0.0, stddev=1.0, dtype=dtypes.float32, seed=None, name=None):
c = tf.random_normal([4, 10]) # 四行十列
改变张量里的数据类型 tf.cast(x, dtype, name=None) 原张量不变，会产生一个新的张量
a = tf.constant(1.0)
print(a) # ----> Tensor("Const:0", shape=(), dtype=float32)
b = tf.cast(a, tf.int32)
print(b) # ----> Tensor("Cast:0", shape=(), dtype=int32)
张量的切片和扩展
tf.slice(input_, begin, size, name=None) 从begin索引开始, 获取size个数据. 溢出会报错
tf.concat(values, axis, name="concat")
a = tf.constant([1.1, 2.2, 3.3, 8.8, 9.9, 10.1])
b = tf.slice(a, [2], [4])
with tf.Session() as sess:
print(sess.run(b)) # ----> [3.3 8.8 9.9 10.1]