1.placeholder 机制
- placeholder 机制的作用
网络的输入数据是一个矩阵，我们把多个这样的矩阵数据打包成一个很大的数据集，如果将这个数据集当作变量或常量一下子输入到网络中，那么就需要定义很多的网络输入常量，于是计算图上将会涌现大量的输入节点。这是不利的，这些节点的利用率很低。
placehoder 机制被设计用来解决这个问题。编程时只需要将数据通过 placeholder 传入 TensorFlow 计算图即可。
- 使用
tf.placeholder()
import tensorflow as tf
a = tf.placeholder(tf.float32,shape=(2),name="input")
b = tf.placeholder(tf.float32,shape=(2),name="input")
result = a+b
with tf.Session() as sess :
sess.run(result,feed_dict={a:[1.0,2.0],b:[3.0,4.0]})
print(result)
＃输出[4.,6.]
在 placeholder 定义时，这个位置上的数据类型
dtype是需要指定且不可以改变的。 placeholder 中数据的维度信息shape可以根据提供的数据推导得出，所以不一定要给出；或者对于不确定的维度，填入None即可。
这里输入a和b定义为常量，这里将它们定义为一个tf.placeholder()，在运行会话时需要通过sess.run()函数的feed_dict来提供a和b的取值。feed_dict是一个字典dict，在字典中需要给出每个用到的placeholder的取值。
2.Varibale变量
-
tf.Variable()创建变量
tf.Variable(initial_value,
trainable=True,
collections=None,
validate_shape=True,
name=None)
| 参数名称 | 参数类型 | 含义 |
|---|---|---|
| initial_value | 所有可以转换为Tensor的类型 | 变量的初始值,一般是随机生成函数的值 |
| trainable | bool | 是否加入到GraphKeys.TRAINABLE_VARIABLES被迭代优化 |
| collections | list | 指定该图变量的类型、默认为GraphKeys.GLOBAL_VARIABLES
|
| validate_shape | bool | 是否进行类型和维度检查 |
| name | string | 变量的名称，如果没有指定则系统会自动分配一个唯一的值 |
- 在
sess对变量运算前初始化所有变量
init = tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init)
- 管理变量的变量空间
with tf.variable_scope("one") :
a = tf.get_variable ("a",shape=[1],initializer=tf.constant_initializer(1.0))
- 以上代码在名为
one的变量空间内创建名字为a的变量;- 因为
tf.variable_scope("one")的参数默认reuse=False,所以在one这个变量空间内不能在创建名字为a的变量；- 若
reuse=True则get_variable()函数会直接获取name属性相同的己经创建的变量,获取的变量没创建过则会报错（区别于指定initializer时为创建新变量）
