【TF-1-1】Tensorflow实验--入门

目录

1. 实现一个累加器，并且每一步均输出累加器的结果值
2. 实现动态的更新变量的维度数目
3. 实现一个求解阶乘的代码

使用已介绍的相关TensorFlow相关知识点，实现以下三个功能(变量更新)

一、实现一个累加器，并且每一步均输出累加器的结果值

    1 	# 1. 定义一个变量
    2 	x = tf.Variable(1, dtype=tf.int32, name='v_x')
    3 	# 2. 变量的更新
    4 	# x = x+1  #这种操作不行
    5 	assign_op = tf.assign(ref=x, value=x + 1)#更新操作Update `ref` by assigning `value` to it.
    6 	# 3. 变量初始化操作
    7 	x_init_op = tf.global_variables_initializer()
    8 	# 3. 运行
    9 	with tf.Session(config=tf.ConfigProto(log_device_placement=True, allow_soft_placement=True)) as sess:
   10 	    sess.run(x_init_op)       # 变量初始化
   11 	    # 模拟迭代更新累加器
   12 	    for i in range(5):
   13 	        sess.run(assign_op)  # 执行更新操作
   14 	        r_x = sess.run(x)
   15 	        print(r_x)
   16 

　　

结果：

二、 实现动态的更新变量的维度数目

    1 	import tensorflow as tf
    2 	# 1. 定义一个不定形状的变量
    3 	x = tf.Variable(
    4 	    initial_value=[],  # 给定一个空值
    5 	    dtype=tf.float32, trainable=False,
    6 	    validate_shape=False  # 设置为True，表示在变量更新的时候，进行shape的检查，默认为True
    7 	)
    8 	# 2. 变量更改
    9 	concat = tf.concat([x, [0.0, 0]], axis=0)
   10 	assign_op = tf.assign(x, concat, validate_shape=False)
   11 	# 3. 变量初始化操作
   12 	x_init_op = tf.global_variables_initializer()
   13 	# 3. 运行
   14 	with tf.Session(config=tf.ConfigProto(log_device_placement=True, allow_soft_placement=True)) as sess:
   15 	    sess.run(x_init_op)      # 变量初始化
   16 	    # 模拟迭代更新累加器
   17 	    for i in range(5):
   18 	        sess.run(assign_op)          # 执行更新操作
   19 	        r_x = sess.run(x)
   20 	        print(r_x)
   21 

　　

结果：

三、实现一个求解阶乘的代码

    1 	# 1. 定义一个变量
    2 	sum = tf.Variable(1, dtype=tf.int32)
    3 	# 2. 定义一个占位符
    4 	i = tf.placeholder(dtype=tf.int32)
    5 	# 3. 更新操作
    6 	tmp_sum = sum * i
    7 	assign_op = tf.assign(sum, tmp_sum)
    8 	# 4. 变量初始化操作
    9 	x_init_op = tf.global_variables_initializer()
   10 	# 5. 运行
   11 	with tf.Session(config=tf.ConfigProto(log_device_placement=True, allow_soft_placement=True)) as sess:
   12 	    sess.run(x_init_op)  # 变量初始化
   13 	    # 模拟迭代更新累加器
   14 	    for j in range(1, 6):
   15 	        r = sess.run(assign_op, feed_dict={i: j})
   16 	    print("5!={}".format(r))

结果：

需求三的另一种写法：

    1 	# 1. 定义一个变量
    2 	sum = tf.Variable(1, dtype=tf.int32)
    3 	# 2. 定义一个占位符
    4 	i = tf.placeholder(dtype=tf.int32)
    5 	# 3. 更新操作
    6 	tmp_sum = sum * i   # 一样的效果 tmp_sum = tf.multiply(sum, i)
    7 	assign_op = tf.assign(sum, tmp_sum)
    8 	with tf.control_dependencies([assign_op]):
    9 	# 如果需要执行这个代码块中的内容，必须先执行control_dependencies中给定的操作/tensor
   10 	    sum = tf.Print(sum, data=[sum, sum.read_value()], message='sum:')
   11 	# 4. 变量初始化操作
   12 	x_init_op = tf.global_variables_initializer()
   13 	# 5. 运行
   14 	with tf.Session(config=tf.ConfigProto(log_device_placement=True, allow_soft_placement=True)) as sess:
   15 	    sess.run(x_init_op)  # 变量初始化
   16 	    # 模拟迭代更新累加器
   17 	    for j in range(1, 6):
   18 	        # 执行更新操作
   19 	        # 通过control_dependencies可以指定依赖关系，这样的话，就不用管内部的更新操作了
   20 	        r = sess.run(sum, feed_dict={i: j})
   21 	    print("5!={}".format(r))