Tensorflow基本语法
一、tf.Variables()
import tensorflow as tf Weights = tf.Variable(tf.random_uniform([1], -1.0, 1.0)) sess = tf.Session() init = tf.global_variables_initializer() sess.run(init) sess.run(Weights) tf.Variable()与tf.get_variable()区别 使用tf.Variable时，如果检测到命名冲突，系统会自己处理。使用tf.get_variable()时，系统不会处理冲突，而会报错 w_1 = tf.Variable(3, name="w_1") w_2 = tf.Variable(1, name="w_1") print(w_1.name) print(w_2.name) #输出 #w_1:0 #w_1_1:0，由于命名相同，系统自行处理 w_1 = tf.get_variable(name="w_1",initializer=1) w_2 = tf.get_variable(name="w_1",initializer=2) #会报错，因为名字相同错误信息 #ValueError: Variable w_1 already exists, disallowed. Did #you mean to set reuse=True in VarScope?
tf.Variable() 使用TF在默认的图中创建节点，这个节点是一个变量。Variable第一个参数表示初始化的值，如：state = tf.Variable(0 , name='counter')
tf.get_variable()：和tf.Variable最大的区别在于tf.Variable的变量名是一个可选项，通过name=’v’的形式给出。但是tf.get_variable必须指定变量名
tf.random_uniform()：生成的值在该 [minval, maxval) 范围内遵循均匀分布。下限 minval 包含在范围内，而上限 maxval 被排除在外
tf.random_normal()：函数用于从服从指定正态分布的数值中取出指定个数的值。tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)
shape: 输出张量的形状，必选，如shape = ([2, 3]）
mean: 正态分布的均值，默认为0
stddev: 正态分布的标准差，默认为1.0
dtype: 输出的类型，默认为tf.float32
seed: 随机数种子，是一个整数，当设置之后，每次生成的随机数都一样
name: 操作的名称
tf.truncated_normal()：
tf.truncated_normal(shape, mean, stddev) :shape表示生成张量的维度，mean是均值，stddev是标准差。这个函数产生正太分布，均值和标准差自己设定
这是一个截断的产生正太分布的函数，就是说产生正太分布的值如果与均值的差值大于两倍的标准差，那就重新生成
和一般的正太分布的产生随机数据比起来，这个函数产生的随机数与均值的差距不会超过两倍的标准差，但是一般的别的函数是可能的
# -*- coding: utf-8 -*-)
import tensorflow as tf
w1 = tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1))
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
# sess.run(tf.initialize_all_variables()) #比较旧一点的初始化变量方法
print(w1)
print(sess.run(w1))
'''
Tensor("Variable/read:0", shape=(2, 3), dtype=float32)
[[-0.8113182 1.4845988 0.06532937]
[-2.4427042 0.0992484 0.5912243 ]]
'''
二、tf.Session()
import tensorflow matrix1 = tf.constant([[3,3]])#一行两列 matrix2 = tf.constant([[2],[2]])#两行一列 product = tf.matmul(matrix1, matrix2) sess = tf.Session() result = sess.run(product) print(result) #[[12]]
tf.Sess()称之为会话的上下文，用于执行图。
三、tf.placehold()
input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)
output = tf.mul(input1, input2)#乘法
with tf.Session() as sess:
print(sess.run(output, feed_dict={input1:[7], input2:[2]}))
#在sess.run()的时候用feed_dict来给变量赋值
占位符：tf.placeholder 告诉系统，这里有一个值/向量/矩阵，现在我没法给你具体数值，不过我正式运行的时候会补上的！
tf.clip_by_value(A, min, max)：把张量A中每一个元素值都限制在min和max之间。小于min的让它等于min，大于max的让它等于max。在min和max之间的保持不变
import tensorflow as tf
import numpy as np
A = np.array([[1,1,2,4], [3,4,8,5]])
with tf.Session() as sess:
print(sess.run(tf.clip_by_value(A, 2, 5)))
'''
[[2 2 2 4]
[3 4 5 5]]
'''
五、tf.get_default_graph()
import tensorflow as tf a = tf.constant( [1.0, 2.0], name='a' ) a.graph #<tensorflow.python.framework.ops.Graph object at 0x000000001FBEED30> tf.get_default_graph() #<tensorflow.python.framework.ops.Graph object at 0x000000001FBEED30> b = tf.constant( [3.0, 4.0], name='b' ) b.graph #<tensorflow.python.framework.ops.Graph object at 0x000000001FBEED30> c = a + b c.graph #<tensorflow.python.framework.ops.Graph object at 0x000000001FBEED30> #从上面的看：a，b，c都在一张计算图上，即默认的计算图
六、tf.Graph()
import tensorflow as tf
g1 = tf.Graph()
with g1.as_default():#设g1为默认图
#在计算图g1中定义变量"v"，并设置初始值为0，shape指定变量维度
v = tf.get_variable( 'v', shape=[1], initializer=tf.zeros_initializer( ) )
g2 = tf.Graph()#生成新的计算图
with g2.as_default():#设g2为默认图
#在计算图g2中定义变量"v"，并设置初始值为1
v = tf.get_variable( 'v',shape=[1], initializer=tf.ones_initializer() )
#在计算图g1中读取变量'v'的取值
with tf.Session( graph=g1 ) as sess:
tf.global_variables_initializer().run()
with tf.variable_scope('', reuse=True):
#在计算图g1中，变量'v'的取值应该为0，所以下面这行会输出[0.]
print( sess.run(tf.get_variable('v')) )
#在计算图g2中读取变量'v'的取值
with tf.Session(graph=g2) as sess:
tf.global_variables_initializer().run()
with tf.variable_scope('', reuse=True):
#在计算图g2中，变量'v'的取值应该为1，所以下面这行会输出[1.]
print(sess.run(tf.get_variable('v')))
