TensorFlow解析常量、變量和占位符
最基本的 TensorFlow 提供了一個庫來定義和執行對張量的各種數學運算。張量，可理解為一個 n 維矩陣，所有類型的數據，包括標量、矢量和矩陣等都是特殊類型的張量。

TensorFlow 支持以下三種類型的張量：

1. 常量：常量是其值不能改變的張量。
2. 變量：當一個量在會話中的值需要更新時，使用變量來表示。例如，在神經網絡中，權重需要在訓練期間更新，可以通過將權重聲明為變量來實現。變量在使用前需要被顯示初始化。另外需要注意的是，常量存儲在計算圖的定義中，每次加載圖時都會加載相關變量。換句話說，它們是占用內存的。另一方面，變量又是分開存儲的。它們可以存儲在參數服務器上。
3. 占位符：用于將值輸入 TensorFlow 圖中。它們可以和 feed_dict 一起使用來輸入數據。在訓練神經網絡時，通常用于提供新的訓練樣本。在會話中運行計算圖時，可以為占位符賦值。這樣在構建一個計算圖時不需要真正地輸入數據。需要注意的是，占位符不包含任何數據，因此不需要初始化它們。
   TensorFlow 常量
   聲明一個標量常量：
   t_1 = tf.constant(4)
   一個形如 [1，3] 的常量向量可以用如下代碼聲明：
   t_2 = tf.constant([4,3,2])
   要創建一個所有元素為零的張量，可以使用 tf.zeros() 函數。這個語句可以創建一個形如 [M，N] 的零元素矩陣，數據類型（dtype）可以是 int32、float32 等：
   tf.zeros([M,N],tf.dtype)
   例如：
   zero_t = tf.zeros([2,3],tf.int32)
   # Results in an 2x3 array of zeros:[[0 0 0],[0 0 0]]
   還可以創建與現有 Numpy 數組或張量常量具有相同形狀的張量常量，如下所示：
   

創建一個所有元素都設為 1 的張量。下面的語句即創建一個形如 [M，N]、元素均為 1 的矩陣：
tf.ones([M,N],tf,dtype)
例如：
ones_t = tf.ones([2,3],tf.int32)
# Results in an 2x3 array of ones:[[1 1 1],[1 1 1]]
更進一步，還有以下語句：
? 在一定范圍內生成一個從初值到終值等差排布的序列：
tf.linspace(start,stop,num)
相應的值為 (stop-start)/(num-1)。例如：
range_t = tf.linspace(2.0,5.0,5)
#We get:[2. 2.75 3.5 4.25 5.]
? 從開始（默認值=0）生成一個數字序列，增量為 delta（默認值=1），直到終值（但不包括終值）：
tf.range(start,limit,delta)
下面給出實例：
range_t = tf.range(10)
#Result:[0 1 2 3 4 5 6 7 8 9]

TensorFlow 允許創建具有不同分布的隨機張量：

1. 使用以下語句創建一個具有一定均值（默認值=0.0）和標準差（默認值=1.0）、形狀為 [M，N] 的正態分布隨機數組：
   

2. 創建一個具有一定均值（默認值=0.0）和標準差（默認值=1.0）、形狀為 [M，N] 的截尾正態分布隨機數組：
   

3. 要在種子的 [minval（default=0），maxval] 范圍內創建形狀為 [M，N] 的給定伽馬分布隨機數組，請執行如下語句：
   

4. 要將給定的張量隨機裁剪為指定的大小，使用以下語句：
   tf.random_crop(t_random,[2,5],seed=12)
   這里，t_random 是一個已經定義好的張量。這將導致隨機從張量 t_random 中裁剪出一個大小為 [2，5] 的張量。
   很多時候需要以隨機的順序來呈現訓練樣本，可以使用 tf.random_shuffle() 來沿著它的第一維隨機排列張量。如果 t_random 是想要重新排序的張量，使用下面的代碼：
   tf.random_shuffle(t_random)

5. 隨機生成的張量受初始種子值的影響。要在多次運行或會話中獲得相同的隨機數，應該將種子設置為一個常數值。當使用大量的隨機張量時，可以使用 tf.set_random_seed() 來為所有隨機產生的張量設置種子。以下命令將所有會話的隨機張量的種子設置為 54：
   tf.set_random_seed(54)
   TIP：種子只能有整數值。
   TensorFlow 變量
   它們通過使用變量類來創建。變量的定義還包括應該初始化的常量/隨機值。下面的代碼中創建了兩個不同的張量變量 t_a 和 t_b。兩者將被初始化為形狀為 [50，50] 的隨機均勻分布，最小值=0，最大值=10：
   
   注意：變量通常在神經網絡中表示權重和偏置。
   下面的代碼中定義了兩個變量的權重和偏置。權重變量使用正態分布隨機初始化，均值為 0，標準差為 2，權重大小為 100×100。偏置由 100 個元素組成，每個元素初始化為 0。在這里也使用了可選參數名以給計算圖中定義的變量命名：
   

在前面的例子中，都是利用一些常量來初始化變量，也可以指定一個變量來初始化另一個變量。下面的語句將利用前面定義的權重來初始化 weight2：

變量的定義將指定變量如何被初始化，但是必須顯式初始化所有的聲明變量。在計算圖的定義中通過聲明初始化操作對象來實現：

每個變量也可以在運行圖中單獨使用 tf.Variable.initializer 來初始化：

保存變量：使用 Saver 類來保存變量，定義一個 Saver 操作對象：
saver = tf.train.Saver()
TensorFlow 占位符
介紹完常量和變量之后，我們來講解最重要的元素——占位符，它們用于將數據提供給計算圖?？梢允褂靡韵路椒ǘx一個占位符：

tf.placeholder(dtype,shape=None,name=None)
dtype 定占位符的數據類型，并且必須在聲明占位符時指定。在這里，為 x 定義一個占位符并計算 y=2*x，使用 feed_dict 輸入一個隨機的 4×5 矩陣：

解讀分析
需要注意的是，所有常量、變量和占位符將在代碼的計算圖部分中定義。如果在定義部分使用 print 語句，只會得到有關張量類型的信息，而不是它的值。
為了得到相關的值，需要創建會話圖并對需要提取的張量顯式使用運行命令，如下所示：
print(sess.run(t_1))
#Will print the value of t_1 defined in step 1
拓展閱讀
很多時候需要大規模的常量張量對象；在這種情況下，為了優化內存，最好將它們聲明為一個可訓練標志設置為 False 的變量：
t_large = tf.Varible(large_array,trainable = False)
TensorFlow 被設計成與 Numpy 配合運行，因此所有的 TensorFlow 數據類型都是基于 Numpy 的。使用 tf.convert_to_tensor() 可以將給定的值轉換為張量類型，并將其與 TensorFlow 函數和運算符一起使用。該函數接受 Numpy 數組、Python 列表和 Python 標量，并允許與張量對象互操作。
下表列出了 TensorFlow 支持的常見的數據類型：

請注意，與 Python/Numpy 序列不同，TensorFlow 序列不可迭代。試試下面的代碼：
for i in tf.range(10)
你會得到一個錯誤提示：
#typeError("'Tensor’object id not iterable.")

總結

以上是生活随笔為你收集整理的TensorFlow解析常量、变量和占位符的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。