常量 constant
tf.constant()函数定义:
def constant(value, dtype=None, shape=None, name="Const", verify_shape=False)
- value: 符合tf中定义的数据类型的常数值或者常数列表;
- dtype:数据类型,可选;
- shape:常量的形状,可选;
- name:常量的名字,可选;
- verify_shape:常量的形状是否可以被更改,默认不可更改;
constant()函数提供在tensorflow中定义常量(不可更改的张量)的方法。
例如:
tensor_constant1 = tf.constant([1,2,3,4])
得到常数张量[1,2,3,4]。
除了直接赋值以外,tf还提供使用tf.ones()、tf.zeros()等初始化张量的方法。
变量 Variable
tensorflow中的变量是通过Variable类来实现的,类初始化函数为tf.Variable():
def __init__(self,
initial_value=None,
trainable=True,
collections=None,
validate_shape=True,
caching_device=None,
name=None,
variable_def=None,
dtype=None,
expected_shape=None,
import_scope=None)
tensorflow中的可以改变的量包括训练过程中的输入数据,输出数据以及控制从输入到输出的学习机制(具体体现为网络参数),输入输出数据在tf中是用placeholder占位符定义的,tf的学习机制使用变量来表示。
TensorFlow中的变量特指深度学习机制中,控制输入到输出映射的可以变化的数据,这些变化数据随着训练迭代的进行,不断地改变数值,不断优化,使输出的结果越来越接近于正确的结果。
例如初始化一个含有100个值为0的一维常量的变量:
w_c1 = Variable(tf.zeros([100]))
占位变量 placeholder
tf.placeholder()函数定义:
def placeholder(dtype, shape=None, name=None)
- dtype:表示tensorflow中的数据类型,如常用的tf.float32,tf.float64等数值类型;
- shape:表示数据类型,默认的None是一个一维的数值,shape=[None,5],表示行不定,列是5;
- name:张量名称;
placeholder()又叫占位符,用于声明一个张量的数据格式,告诉系统这里会有一个这种格式的张量,但是还没有给定具体数值,具体的数值要在正式运行的时候给到。占位变量是一种TensorFlow用来解决读取大量训练数据问题的机制,它允许你现在不用给它赋值,随着训练的开始,再把训练数据传送给训练网络学习。
例如:
X = tf.placeholder(tf.float32, shape = [None, 100 * 100])
以上声明一个张量并赋值给X,数据类型是tf.float32,大小是None*100*100,None表示数量不定,tensorflow会根据运行时候具体情况调整。
张量转换 reshape
tf.reshape()定义:
tf.reshape(tensor, shape, name=None)
- tensor:张量
- shape:目标张量的形式
- name:名称,可选
reshape()的作用是将原始张量转换为参数中shape指定的形式。
其中shape为一个列表形式,特殊的一点是列表中可以存在-1。-1代表的含义是不用显式指定这一维的大小,函数会自动计算,但列表中只能存在一个-1。
例如:
lable = [1,2,3,4,5,6,7,8]
reshape1 = tf.reshape(lable,shape = [2,-1])
reshape2 = tf.reshape(lable,shape = [2,4])
reshape1和 reshape2等价。