tensorflow学习笔记（二）常量、变量、占位符、会话

常量、变量、占位符、会话是tensorflow编程的基础也是最经常使用到的东西，tensorflow中定义的变量、常量都是tensor（张量）类型。

常量tf.constant()

tensorflow中定义的变量、常量都是tensor（张量）类型经常使用是在运行过程当中不会改变的量，如做线性回归Y = w*X + b ，知道一系列(X, Y) ，经过梯度降低找w和b，X和Y的值在程序运行时就不会去改变，只不断改变w和b去减少与真实值的偏差，因此常量经常使用来表示输入输出。

声明一个标量常量：

t_1 = tf.constant(5)

声明一个向量常量：

t_2 = tf.constant([2, 3, 5])

变量tf.Variable()

做线性回归时要不断调整 w、b 作拟合，w和b就要声明为变量，因此变量经常使用来表示模型中的参数。

声明一个M行N列，全为零的变量：

b_1 = tf.Variable(tf.zeros([M, N], tf.float32))   # tf.zeros 建立全0张量，数字的类型是float32 ，而后用tf.Variable()将其变成变量

声明一个呈正态分布的 均值是2（默认=0.0）标准差是4（默认是1.0）的2行3列张量：

w_1 = tf.Variable(tf.random_nomarl([2, 3], mean=2.0, stddev=4, seed=2)

会话Session()

如同main()函数同样，会话是tensorflow程序的入口，tf 程序通常是先定义节点和节点的关系（运算），而后在会话中根据定义的运算自动算出结果 。

import tensorflow as tf
a = tf.constant([1, 2])
b = tf.constant([2, 3])  # 定义常量a,b是1X2的张量
c = tf.add(a, b)    # 定义 c=a+b
d = tf.scalar_mul(tf.constant(2),c)  # 定义 d=2*c

with tf.Session() as sess:
    print(sess.run(d))   # 根据定义的运算（图）计算 d 的值，并打印

第四行第五行定义c、d的运算，可是在那里并无直接得出c和d的结果，在会话中sess.run(d) 计算d ，它会自动根据前面定义好的运算计算出d的结果，而不需显示的先计算c  sess.run(c) 再计算d。若是在会话总只sess.run(c)，程序就不会计算d了。

占位符tf.placeholder()

如名字同样，占位符就是先给变量占一个位，能够先不给变量赋具体值，先给变量一个位置，在会话运行时给变量传入具体的值。即占位符用于将数据提供给计算图。

tf.placeholder(dtype,shape=None,name=None)  

dtype是变量的数据类型，shape是变量的形状（几行几列），name是变量的名称。

import tensorflow as tf
import numpy as np
a = np.array([1, 2])
b = np.array([2, 3])   # 建立a，b两个1x2的ndarry变量
X = tf.placeholder(tf.int32)
Y = tf.placeholder(tf.int32)  # 定义两个占位符，张量形状能够不写，传入值的时候会自动判断

c = tf.add(X, Y)
d = tf.scalar_mul(tf.constant(2),c)

with tf.Session() as sess:
    re = sess.run(d, feed_dict={X:a, Y:b})   # 在图计算时提供具体值
    print(re)

 会话在用feed_dict = { } 传入值的时候传入的不能是tf.constant()这种类型，必须是数组、np.ndarry等具体数值的类型。