4.3.3 节 调度在TF上的应用（开始学习TensorFlow）

64页末尾直到72页特殊情况上面

 

　　讨论的是调度框架在TensorFlow上面的应用。

　　首先就学习一下TensorFlow，http://c.biancheng.net/view/1885.html  这里讲的很好。

　　

　　t_random=tf.random_normal([2,3],mean=2.0,stddev=4,seed=12)，创建随机张量的方法，2X3的矩阵，均值为2，标准差为4，

seed我猜是随机种子。

　　tf.truncated_normal也是正态分布的随机数，但是根据3σ原则，距离mean为2σ以上的随机数将会被随机生成，因此叫截断的

正态分布随机数。

　　t_random_3=tf.random_uniform([2,3],minval=-1.0,maxval=1.0,seed=12),给定上下界的伽玛分布数组，，，不知道为何要用

伽玛分布。

 

 

　　　变量

var1=tf.Variable(3)
var2=tf.Variable(4)
sum=tf.add(var1,var2)
with tf.Session() as sess:
      sess.run(var1.initializer)
      sess.run(var2.initializer)
      print(sess.run(sum))

　　可以看到变量是需要初始化的。

　　嫌麻烦可以全局化初始化。

　　代码如下

var1=tf.Variable(3)
var2=tf.Variable(4)
sum=tf.add(var1,var2)
init=tf.global_variables_initializer()
with tf.Session() as sess:
  sess.run(init)
  print(sess.run(sum))
    

　　

 

　　占位符

　　感觉更麻烦了。

　　feed_dict是一个关键字，可以向占位符当中喂数据。

　　简单的如：

　

x=tf.placeholder("float")
y=2*x
data=tf.random_uniform([4,5],10)
with tf.Session() as sess:
      print(sess.run(y),feed_dict={x:sess.run(data)})

　　只有一步计算

　　复杂的同样如此

x1=tf.placeholder("float")
w1=tf.placeholder("float")
x2=tf.placeholder("float")
w2=tf.placeholder("float")
z1=tf.multiply(x1,w1)
z2=tf.multiply(x2,w2)
z3=tf.add(z1,z2)
with tf.Session() as sess:
  feed_dict={x1:[1],w1:[2],x2:[3],w2:[4]}
  print(sess.run(z3,feed_dict))

可以看出在DAG图上的所有占位符可以一次性全都定义完。

 

然后一个问题就是placeholder声明的时候的那些参数。

　　要声明：

x1=tf.placeholder("float")

或者

x1=tf.placeholder(tf.float32)

写x1=tf.placeholder(float)是错误的

 

　　而且datatype后面也有其他的参数。。好像是数据维度什么的。。。还没搞懂

　　

 

 

　　操作1  tf.cast改变数据类型

import tensorflow as tf


b=tf.Variable(tf.random_uniform([5,10],0,2,tf.int32))


with tf.Session() as sess:
  sess.run(b.initializer)
  print(sess.run(b))

　　这段代码生成了一个只包含0，1的矩阵

　　

import tensorflow as tf


b=tf.Variable(tf.random_uniform([5,10],0,2,tf.int32))
b_new=tf.cast(b,tf.float32)

with tf.Session() as sess:
  sess.run(b.initializer)
  print(sess.run(b_new))

　　这样就把数据类型改为浮点类型了

 

 

　　操作2  另外操作

　　sess=tf.interactiveSession()

　　x.initializer.run()

　　print(x.eval())

　　这好像是另外一套可行的操作。