tensorflow的测试代码

1、个人理解：

　1.1、tensorflow的 构建视图、构建操作... 都只是在预定义一些操作/一些占位，并没有实际的在跑代码，一直要等到 session.run 才会 实际的去执行某些代码

　1.2、我们 预定义的 一大堆 视图/操作 等等，并不一定所有的都会执行到，只有 session.run 使用到的才会执行到。否则的话 在 tensorflow视图里面仅仅是孤立的点 并没有数据流过它

　1.3、sess.run 可以执行某一个操作(变量)，也可以执行某一个函数

 

2、资料：

　2.1、度娘：“sess.run”

　　tensorflow学习笔记（1）：sess.run()_站在巨人的肩膀上coding-CSDN博客.html（https://blog.csdn.net/LOVE1055259415/article/details/80011094）

　　sess.run 会调用哪些方法_百度知道.html（https://zhidao.baidu.com/question/1051057979950110419.html）

　2.2、度娘：“tensor  tf.print”、“tensor  tf.print 返回值”

　　tensorflow Debugger教程（二）——tf.Print()与tf.print()函数_MIss-Y的博客-CSDN博客.html（https://blog.csdn.net/qq_27825451/article/details/96100496）

　　　ZC：传统做法（打印sess.run(...)的返回值） + tf.Print() + tf.print()

　　tensorflow在函数中用tf.Print输出中间值的方法_sjtuxx_lee的博客-CSDN博客.html（https://blog.csdn.net/sjtuxx_lee/article/details/84571377）

　　　ZC：tf.Print() ，“没有数据流过，就不会被执行”

　　tensorflow笔记 tf.Print()_thormas1996的博客-CSDN博客.html（https://blog.csdn.net/thormas1996/article/details/81224405）

　　　ZC：“需要注意的是tf.Print()只是构建一个op，需要run之后才会打印。”

 

 

'''
# 测试代码（1）

import tensorflow as tf
state = tf.Variable(0.0,dtype=tf.float32)
one = tf.constant(1.0,dtype=tf.float32)
new_val = tf.add(state, one)
update = tf.assign(state, new_val)
init = tf.initialize_all_variables()
with tf.Session() as sess:
    sess.run(init)
    for _ in range(10):
        u,s = sess.run([update,state])
        print(s)
'''

### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ###

'''
# 测试代码（2）

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
state = tf.Variable(0.0,dtype=tf.float32)
one = tf.constant(1.0,dtype=tf.float32)
new_val = tf.add(state, one)
update = tf.assign(state, new_val)# 返回tensor， 值为new_val
update2 = tf.assign(state, 10000)# 没有fetch，便没有执行
init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    for _ in range(3):
        print(sess.run(update))
'''

### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ###

# 测试代码（3）

import sys
import numpy
# batches = numpy.zeros((32,1))
batches = numpy.zeros((12,1))
# print(batches)
# print(type(batches))
batches[0][0] = 1
# print(batches)
print(type(batches))
print("batches.shape : ", batches.shape)
print("batches[0][0].shape : ", batches[0][0].shape)
# sys.exit()
print("\n\n\n")


import tensorflow as tf

# tf.enable_eager_execution()

# RNN的大小（隐藏节点的维度）
rnn_size = 512

tf.reset_default_graph()
train_graph = tf.Graph()


with train_graph.as_default():
    input_text = tf.placeholder(tf.int32, [None, None], name="input")
    targets = tf.placeholder(tf.int32, [None, None], name="targets")
    lr = tf.placeholder(tf.float32)
    #    tf.print(targets,[targets])

    input_data_shape = tf.shape(input_text)
    #    tf.print(input_data_shape)
    # 构建RNN单元并初始化
    # 将一个或多个BasicLSTMCells 叠加在MultiRNNCell中，这里我们使用2层LSTM cell
    cell = tf.contrib.rnn.MultiRNNCell([tf.contrib.rnn.BasicLSTMCell(num_units=rnn_size) for _ in range(2)])
    initial_state = cell.zero_state(input_data_shape[0], tf.float32)
    #    print("type(initial_state) : ", type(initial_state))
    initial_state = tf.identity(initial_state, name="initial_state")



    # tf.enable_eager_execution() # ZC: 感觉只要 tf.Print/tf.print是在打印占位符的信息，这句代码放在它们的前面的话，就会报错“AttributeError: 'Tensor' object has no attribute '_datatype_enum'”。  若是tf.Print/tf.print(它们的返回值是不同的)是在打印占位符的信息的话，都是需要sess.run的 ! !
    # op = tf.print("--> --> --> input_text: ", input_text, output_stream=sys.stderr)
    op = tf.Print(input_text, ['--> input_text: ', input_text])
    # tf.print("--> --> --> input_text: ", input_text, output_stream=sys.stderr)

    tf.enable_eager_execution()# ZC: 这一句放在 with的里面，这个位置是OK的。放在with的外面，会提示 要将这句代码放到程序开始的位置去
    x=tf.constant([2,3,4,5])
    y=tf.constant([20,30,40,50])
    z=tf.add(x,y)

    tf.print("x:",x, "y:",y,"z:",z, output_stream=sys.stderr)


with tf.Session(graph=train_graph) as sess:
    sess.run(tf.global_variables_initializer())
    print("input_data_shape : ", input_data_shape)
    print("input_data_shape[0] : ", input_data_shape[0])
    print("initial_state.shape : ", initial_state.shape)
    print("input_text : ", input_text)

    print("type(batches) : ", type(batches))
    print("batches.shape : ", batches.shape)

    print()

#    state = sess.run(initial_state, {input_text: batches[0][0]})
#    state, inputDataShape = sess.run([initial_state, input_data_shape], {input_text: batches[0][0]})
#    state, inputDataShape = sess.run([initial_state, input_data_shape], {input_text: batches})
    state, inputDataShape, op = sess.run([initial_state, input_data_shape, op], feed_dict={input_text: batches})# ZC: 这里 是否使用 feed_dict，效果上是一样的

    print(">>> >>> >>> >>> >>> sess.run(...) 之后 <<< <<< <<< <<< <<<\n")
    print("op : ", op)
    print("state.shape : ", state.shape)
#    print("state[0][0] : ")
#    print(state[0][0])
    print()

    print("inputDataShape : ", inputDataShape)
    print("type(inputDataShape) : ", type(inputDataShape))
    print("len(inputDataShape) : ", len(inputDataShape))
    print("inputDataShape.shape : ", inputDataShape.shape)
    print("inputDataShape[0] : ", inputDataShape[0])


    print()
    print("input_data_shape : ", input_data_shape)
    print("input_data_shape[0] : ", input_data_shape[0])
    print("initial_state.shape : ", initial_state.shape)
    print("input_text : ", input_text)